Chapter 4: 휴머노이드·4족 — 범용 몸체의 경쟁

개요

이 장의 질문은 단순하다. 중국의 휴머노이드와 4족 로봇 기업 가운데 누가 가장 인상적인 동작을 보여 주는가가 아니라, 누가 반복 가능한 제품·개발 생태계·생산 능력·현장 학습 루프를 함께 만들고 있는가? 답은 한 줄짜리 순위가 아니다. 몸체의 운동 성능, 조작 능력, 소프트웨어 개방성, 생산과 출하, 고객 현장의 가동 증거를 서로 다른 축으로 분리해야 비로소 기업의 위치가 보인다.

이 장의 논지는 범용 몸체 경쟁의 승자가 가장 화려한 시연을 한 회사가 아니라, 하드웨어의 한계를 알고도 데이터 수집에서 정책 학습, 안전 정지, 유지보수, 다시 학습까지 이어지는 폐루프를 제품으로 운영하는 회사라는 것이다. 휴머노이드는 사람을 위해 설계된 공간과 도구를 활용할 가능성이 크지만, 두 발 균형과 두 손 접촉을 동시에 풀어야 한다. 4족은 지형 통과와 안정성에서 상대적으로 유리하지만, 작업을 끝내려면 팔·그리퍼·센서와의 통합이 필요하다. 두 형태는 같은 목적지를 향한 단순 대체재가 아니라 서로 다른 실패 비용을 가진 플랫폼이다.

AgiBot, Unitree Robotics, UBTECH Robotics는 이 장의 고정 심층 프로필이다. 이 선택은 세 회사를 절대적 상위 세 곳이라고 선언하는 것이 아니라, 제품 폭, 개발자 접근, 생산 또는 공시 증거가 서로 다른 비교 사례를 제공하기 때문이다 ^{[1] [4] [7]}. 수치가 없는 칸은 추정하지 않는다. 특히 미디어 기사 수는 미측정으로 유지한다. WRC 2026 공식 참가사 디렉터리는 Unitree C215와 UBTECH C103을 확인하지만, AgiBot 부스와 세 회사의 프로그램 참여는 미검증이다.

이 장을 읽고 나면... - 휴머노이드와 4족의 운동·조작·안전 부담이 왜 다른지 설명할 수 있다. - 시연, 생산, 출하, 고객 인수, 상시 배치를 서로 다른 증거 단계로 판별할 수 있다. - AgiBot, Unitree, UBTECH의 제품·기술·사업·개발 생태계를 같은 질문표로 비교할 수 있다. - 공개 SDK, ROS 패키지, 시뮬레이터 자산이 실제 현장 통합에 주는 가치와 한계를 평가할 수 있다. - 제조 셀에서 범용 몸체를 도입할 때 필요한 작업 정의, 로그, 핵심성과지표, 안전 책임을 설계할 수 있다.

4.1 범용 몸체를 읽는 다섯 개의 증거 사다리

로봇 영상은 무엇이 한 번 가능했는지를 보여 준다. 그러나 구매 담당자가 묻는 것은 같은 동작이 교대조가 바뀌고 조명이 달라지고 배터리가 줄고 관절이 뜨거워진 뒤에도 가능한가이다. 따라서 첫 번째 증거 단계인 ‘시연’은 행동의 존재를 확인하지만 성공률, 실패 회복, 사람 개입, 촬영 횟수의 분모를 알려 주지 않을 수 있다. 생방송이나 연속 촬영도 편집 가능성을 줄일 뿐 장기간 가동률을 증명하지 않는다.

두 번째 단계인 ‘검증 실험’은 과제와 조건, 반복 횟수, 기준선을 공개한다. 학술 논문과 공개 벤치마크가 여기에 속한다. HumanoidBench는 전신 이동조작을 시뮬레이션 안에서 비교할 공통 언어를 만들었지만, 바로 그 이유로 공장 바닥의 케이블, 진동, 오염, 부품 편차를 대신하지 못한다 ^[8]. 논문 결과는 알고리즘의 범위를 좁혀 해석하는 데 강하고, 기업의 출하량이나 고객 만족도를 말하는 데는 약하다.

세 번째 ‘생산’은 공장에서 완제품이 나왔다는 뜻이다. 네 번째 ‘출하 또는 매출 인식’은 제품이 거래 흐름에 들어갔다는 뜻이며, 다섯 번째 ‘운영 배치’는 고객 과업에서 반복 가치를 냈다는 뜻이다. 이 다섯 단계는 누적될 수 있지만 자동으로 이어지지 않는다. 생산된 로봇은 재고, 연구 장비, 전시용, 내부 데이터 수집용일 수 있다. 출하된 로봇도 고객 검수 이전일 수 있다. 매출은 하드웨어, 서비스, 운영 계약이 섞일 수 있다. 따라서 ‘몇 대’라는 숫자보다 단위의 정의와 보고 기간을 먼저 읽어야 한다.

이 사다리는 기업 홍보를 불신하기 위한 장치가 아니다. 서로 다른 강점을 공정하게 인정하기 위한 장치다. 젊은 기업이 생산 이정표를 공개했다면 그 사실 자체는 중요하다. 상장사가 감사보고서에 매출과 판매량을 제시했다면 증거의 질이 더 높다. 다만 생산 숫자를 감사된 판매량과 같은 막대그래프에 올리거나, 대회 달리기 기록을 제조 셀 가동률과 합치는 순간 비교가 무너진다.

4.2 몸체의 선택: 두 발, 네 발, 그리고 작업의 끝

휴머노이드의 핵심 가치는 인간과 닮은 외관이 아니다. 인간의 키, 통로, 계단, 선반, 손잡이, 공구를 전제로 만들어진 환경을 크게 바꾸지 않고 사용할 잠재력이다. 이 장점은 동시에 제어 부담이 된다. 지지 다각형이 작고 접촉점이 바뀌며, 팔의 빠른 움직임이 몸통과 발에 반작용을 만든다. 물체를 잡는 순간부터 보행 제어와 조작 제어는 분리된 두 문제가 아니라 하나의 전신 접촉 문제로 바뀐다.

4족은 더 넓은 지지 기저와 여러 발 디딤 선택을 이용해 경사, 자갈, 계단, 충격을 다루기 쉽다. 전력 설비 순찰이나 위험 지역 정찰처럼 ‘도달하고 관찰하는 것’이 과업의 대부분이면 이 형태가 합리적이다. 그러나 밸브를 돌리고 부품을 집고 케이블을 연결하려면 상부 팔과 말단 장치가 필요하다. 그 순간 무게중심이 높아지고 관성, 배터리, 충돌 공간, 자기 간섭 문제가 커진다. 안정된 이동 플랫폼이라는 장점은 조작기를 얹는 순간 다시 검증해야 한다.

고전적 전신 제어는 작업 우선순위와 관절 여유도를 모델로 표현해 몸의 여러 목표를 조정한다 ^[15]. 최근 학습 기반 접근은 사람이 만든 동작, 시뮬레이션 경험, 실제 로봇 데이터를 정책에 흡수한다. 두 계열은 대립하지 않는다. 제조 셀에서는 모델 기반 제한조건이 안전 경계와 관절 한계를 지키고, 학습 정책이 접촉 변동과 복잡한 관측을 처리하는 혼합 구조가 현실적이다. 제품 설명에서 ‘AI’라는 단어보다 어느 계층이 결정론적이고 어느 계층이 학습되었는지를 묻는 편이 유용하다.

4.3 심층 프로필 I — AgiBot

AgiBot의 한국어 표기는 이 장에서 ‘애지봇’으로 통일하고, 영문 브랜드는 AGIBOT 또는 AgiBot, 공식 중국어 법인 표기는 ‘智元创新（上海）科技股份有限公司’로 기록한다. 회사 공식 자료는 2023년 2월 설립과 상하이 제조 거점을 확인해 준다 ^[1]. 다만 확보된 근거만으로 ‘본사’의 법적 정의와 그룹 내 모든 운영 법인 관계를 확정하지 않으므로, 본사는 상하이 기반으로 보되 법인·주소 수준의 완전한 해소는 미검증으로 남긴다.

대표 제품은 전신 휴머노이드 A 계열, 연구·교육 및 민첩 동작을 겨냥한 X 계열, 작업형 Genie 계열, 그리고 D1 4족 계열이다. 이 폭은 애지봇을 단일 휴머노이드 판매사보다 몸체·데이터·개발 도구를 묶는 플랫폼 기업으로 읽게 한다. 공식 제품 페이지와 연구 페이지는 AGIBOT World 데이터, Genie Studio, 시뮬레이션, 원격조작과 손 제품을 하나의 학습 루프로 제시한다 ^[2]. 하지만 제품군이 넓다는 사실만으로 각 계열의 양산량, 현장 가동시간, 공통 소프트웨어 호환성이 입증되지는 않는다.

기술적으로 주목할 부분은 ‘몸체+AI’의 수직 결합이다. Genie Sim 3.0은 물리 계산과 렌더링 흐름을 분리하고 대규모 합성 데이터와 자동 평가를 지향한다 ^[3]. 회사 연구 자료는 100대 이상의 로봇, 다섯 종류의 몸체, 1,000개 이상의 장면에서 100만 개가 넘는 궤적을 확보했다고 밝힌다 ^[2]. 이 수치는 회사 자체 공개이며 궤적 길이, 품질 기준, 중복, 성공·실패 비율이 공통 표준으로 감사된 것은 아니다. 따라서 데이터 규모의 방향성은 보여 주지만 타사 데이터셋과 직접 우열을 가리는 숫자로 쓰지 않는다.

애지봇은 2025년 1월 1,000번째 범용 체화 로봇이 생산 라인에서 나왔다고 보고한다 ^[1]. 이것은 제조 반복성으로 이동했다는 중요한 회사 공개 이정표지만, 감사된 출하량·유상 고객 수·활성 배치 대수와 같지 않다. ‘라인 오프’와 ‘납품’, ‘검수’, ‘정상 가동’을 분리해 읽어야 이 수치가 과장되지도 과소평가되지도 않는다.

개발 생태계는 X1의 설계 자료, 부품표, 조립 절차, 학습·추론 코드와 AimRT 같은 공개 요소가 확인된다. 반면 이 장의 근거에서는 제품군 전체에 대한 공식 ROS/ROS 2 드라이버 지원 범위, NVIDIA Isaac Sim 또는 Isaac Lab의 공식 검증 조합, 장기 지원 정책을 확인하지 못했다. 그러므로 ‘오픈소스 자산 존재’는 확인, ‘전 제품의 개방형 생태계’는 미검증으로 구분한다. SDK 문서가 있어도 펌웨어 버전, 실시간 제어 권한, 안전 인터록, 상업 이용 조건이 명확해야 제조 통합 비용을 계산할 수 있다.

계획된 공식 제품 사진은 A2 또는 X2의 전신 관절 구성과 D1의 4족 구조를 한눈에 비교하도록 배치하는 편이 좋다. 사진은 동작의 존재를 보여 주는 자료이지 자율성의 증거가 아니므로, 촬영 조건과 회사 출처를 명확히 밝히고 ‘생산’이나 ‘배치’를 시각적으로 암시하지 않아야 한다.

4.4 심층 프로필 II — Unitree Robotics

한국어 표기는 ‘유니트리 로보틱스’, 영문은 Unitree Robotics, 중국어 브랜드는 ‘宇树科技’다. 공식 연혁은 2016년 창업의 기원을 설명하지만, 이 장에 확보된 자료만으로 현재 그룹의 정확한 법인명과 본사 주소를 등기 수준에서 확정하지 않는다 ^[4]. 따라서 설립은 2016년으로 기록하고, 널리 알려진 지역 정보를 추정해 넣지 않으며 본사 법적 주소는 미검증으로 둔다.

유니트리의 차별점은 휴머노이드와 4족을 동시에 넓게 제공한다는 점이다. 휴머노이드 H1, G1, R1과 4족 Go2, B2가 주력 몸체이고, Z1 팔과 Dex 계열 손이 주변 조작 생태계를 이룬다 ^[5]. 같은 회사의 몸체에서 연구팀이 보행, 원격조작, 손 통합을 빠르게 실험할 수 있다는 것은 연구 플랫폼으로서 큰 장점이다. 그러나 모델 수가 많으면 펌웨어, 통신 인터페이스, 시뮬레이션 모델, 안전 기능의 버전 조합도 늘어난다. 구매자는 ‘지원함’이라는 한 단어보다 모델·컴퓨터·운영체제별 지원 행렬을 요구해야 한다.

기술 자료는 모터, 감속기, 제어기, 라이다와 운동 제어의 자체 개발을 강조한다 ^[4]. 개발자 문서에는 H1/G1/R1, Go2/B2, Z1, Dex 손의 SDK가 나열되고, 공식 공개 저장소에는 SDK2, Python 인터페이스, ROS·ROS 2, Gazebo 시뮬레이션, 강화학습 예제가 제공된다 ^[6]. 이 정도의 공개 표면은 외부 연구자가 저수준 제어, 상태 읽기, 시뮬레이션을 시작할 진입점을 만든다. Unitree 공식 저장소는 현재 Go2·H1·G1용 제한된 Isaac/Isaac Lab 예제를 제공하지만, 전 제품군의 검증된 버전 행렬이나 장기 지원 약정을 확립하지는 않는다. 따라서 예제의 존재를 전 제품군에 대한 회사 보증 통합으로 해석해서는 안 된다.

유니트리의 공식 연혁과 개발 문서는 휴머노이드, 4족, 팔, 손을 포괄하는 넓은 제품·개발 범위를 확립하지만 감사된 출하 지표나 현장 가동률을 제공하지 않는다 ^{[4] [5]}. 무대 공연, 달리기, 격투, 대회 기록은 동적 운동 제어와 하드웨어 내구성에 관한 유용한 단서지만, 제조 작업의 무개입 시간이나 품질 수율과는 다른 분모를 가진다.

논문 생태계는 플랫폼의 실용성을 더 잘 보여 준다. 빠른 오프폴리시 강화학습 연구는 단일 RTX 4090에서 약 15분 훈련한 보행 정책을 G1과 Booster T1에 이전했다 ^[10]. Open-TeleVision은 H1과 손을 결합해 몰입형 양팔 원격조작과 데이터 수집 흐름을 보였다 ^[13]. 이는 유니트리의 제품이 제3자 연구를 수용하는 몸체라는 증거다. 그러나 논문 한 편의 성공은 회사가 같은 스택을 제품 지원 범위로 보증한다는 뜻이 아니며, 해당 과제 밖의 산업 신뢰성을 보장하지 않는다.

계획된 공식 제품 사진은 G1의 전신 구조와 B2 또는 Go2의 4족 구조를 별도로 보여 주어야 한다. 무대 공연 장면만 선택하면 운동성은 잘 보이지만 개발 포트, 센서 배치, 탑재 인터페이스가 가려진다. 제조 독자에게는 정면 영웅 사진보다 측면 관절, 센서, 유지보수 접근부가 보이는 공식 사진이 더 유용하다.

4.5 심층 프로필 III — UBTECH Robotics

한국어 표기는 ‘유비테크 로보틱스’, 영문 상장사명은 UBTECH ROBOTICS CORP LTD, 중국어 법인명은 ‘深圳市優必選科技股份有限公司’다. 2025년 연차보고서는 2012년 3월 설립과 중국 선전 본사를 명시한다 ^[7]. 세 사례 중 법인, 본사, 재무, 제품 판매량을 한 문서 안에서 가장 강하게 연결할 수 있는 이유는 상장사 공시와 감사 재무제표가 있기 때문이다.

주력 휴머노이드는 Walker S, S1, S2이며, Walker S2는 산업 제조의 운반, 분류, 검사에 초점을 둔다. 바퀴형 Cruzr S2와 여러 세대의 손, 서비스·교육 로봇도 포트폴리오에 포함된다. 기술 설명은 고성능 서보, 학습 기반 운동 제어, 시각·언어·행동 모델, BrainNet 2.0, Co-Agent, Thinker 계열 모델, 다중 로봇 협업을 하나의 산업 시스템으로 묶는다 ^[7]. 이 구조는 몸체만 판매하기보다 데이터와 운영 소프트웨어까지 통합하려는 전략으로 읽힌다.

공시는 Walker S2의 교환식 배터리, 전신 자유도와 적재 범위, 손의 자유도 같은 사양을 제시한다. 또한 2025년에 Walker S2 계열의 소규모 양산과 납품이 시작됐다고 밝힌다. 여기서 중요한 것은 ‘연간화 생산능력’, ‘판매량’, ‘매출’, ‘현장 가동대수’를 나누는 것이다. 생산능력 6,000대 이상은 속도 환산 능력이며 실제 생산량이나 납품량이 아니다. 반면 전신 체화 휴머노이드 제품·서비스의 2025년 판매량 1,079대와 매출 약 8억2,060만 위안은 공시된 보고 기간의 사업 지표다 ^[7]. 제품과 서비스가 함께 집계됐다는 범위를 유지해야 한다.

전체 회사의 2025년 매출은 약 20억100만 위안, 매출총이익은 약 7억5,380만 위안, 연간 손실은 약 7억8,980만 위안으로 공시됐다 ^[7]. 매출 성장과 손실 축소는 상용화 진전을 보여 주지만 수익성 완성을 뜻하지 않는다. 더구나 고객별 인수 기준, 보증 충당, 로봇당 서비스 매출, 장기 가동률은 이 집계만으로 알 수 없다. 상장사 숫자는 비교 가능한 출발점이지 현장 성능의 대리변수가 아니다.

생태계 측면에서 연차보고서는 자체 훈련·시뮬레이션·데이터 관리 플랫폼과 Thinker 모델 공개를 설명하고, 내부 내비게이션 시뮬레이션에 NVIDIA Isaac을 활용했다고 밝힌다 ^[7]. 그러나 외부 고객을 위한 범용 SDK, 공식 ROS/ROS 2 패키지, Isaac용 배포 확장 기능의 지원 행렬은 이 근거에서 확인되지 않는다. 유비테크는 내부 통합 깊이가 강하게 보이지만, 외부 개발자가 어느 계층까지 교체하고 검증할 수 있는지는 별도 실사가 필요하다.

계획된 공식 사진은 Walker S2가 실제 산업 셀에서 용기를 다루는 장면과 자율 배터리 교환 구조를 우선해야 한다. 무대 위의 정지 자세보다 작업물, 안전 구역, 주변 설비가 함께 보이는 사진이 ‘공장용 몸체’라는 주장에 더 많은 정보를 제공한다. 그래도 한 장의 공식 사진은 반복 성공률이나 무개입 시간을 입증하지 않으므로 공시 수치와 별도로 읽어야 한다.

4.6 세 기업을 같은 눈금으로 비교하기

세 회사는 모두 전신 로봇과 AI의 결합을 말하지만 증거 구조는 다르다. 애지봇은 짧은 기간에 몸체, 데이터, 시뮬레이션, 공개 X1 자산을 넓게 연결한다. 유니트리는 휴머노이드와 4족의 제품 폭, 공개 SDK와 제3자 연구 사용성이 돋보인다. 유비테크는 산업 과업과 상장사 공시를 통해 판매·매출·생산 역량을 비교적 구체적으로 보여 준다. 이 차이는 하나의 종합 점수로 압축할 대상이 아니라 구매 목적에 따라 가중치를 바꿀 대상이다.

이 표에서 ‘유리’는 우월을 뜻하지 않는다. 예를 들어 외부 연구팀이 보행 정책을 빠르게 시험하려면 공개 문서와 커뮤니티가 많은 몸체가 중요하다. 자동차 공장이 투자위원회에 설명하려면 감사 수치와 계약·검수 자료가 중요하다. 자체 데이터 공장을 만들려면 원격조작, 시뮬레이션, 손, 정책 배포가 하나의 버전 체계로 묶이는지가 중요하다. 동일한 로봇이라도 구매 목적이 달라지면 가장 위험한 미확인 칸이 달라진다.

4.7 시뮬레이션에서 바닥으로: 두 종류의 현실 간극

휴머노이드 학습 결과는 시뮬레이터, 센싱, 하드웨어, 과제, 초기화와 재설정 절차의 경계를 벗어나 자동으로 일반화되지 않는다 ^{[8] [9] [10]}. 시뮬레이션에서 성공한 보행은 실제 모터 지연과 마찰, 배터리 전압 강하, 카메라 가림, 바닥 탄성에 부딪힌다. 실제 로봇 한 대에서 성공해도 생산 편차가 있는 다음 대에서 같은 정책이 작동한다는 보장은 없다.

시스템 식별과 동작 재대상화는 서로 다른 시뮬레이션-현실 이전 실패를 다룬다 ^{[11] [12]}. 시스템 식별은 모터, 마찰, 지연처럼 ‘가상 로봇이 실제 로봇과 얼마나 다르게 움직이는가’를 줄인다. 재대상화는 사람의 동작과 접촉 관계를 다른 관절 길이와 가동범위를 가진 로봇이 물리적으로 실행 가능한 궤적으로 바꾸는 문제를 푼다. 하나가 좋아져도 다른 하나의 오류가 사라지지 않는다.

PACE는 짧은 엔코더 데이터로 관절별 관성·마찰·바이어스와 전체 지연을 맞추는 체계적 접근을 보여 준다 ^[11]. OmniRetarget은 사람, 지형, 물체 사이의 상호작용을 보존하며 전신 이동조작 궤적을 만드는 쪽에 초점을 둔다 ^[12]. Perceptive Humanoid Parkour는 깊이 지각, 동작 매칭, 교사 정책과 학생 정책의 증류를 연결해 G1에서 동적 기술을 이어 붙였다 ^[9]. 이 연구들은 몸체가 학습의 그릇이라는 사실과 동시에, 센서 시야와 손 성능이 정책의 상한을 결정한다는 사실을 보여 준다.

제조 실무에서 중요한 결론은 ‘시뮬레이션을 쓰느냐’가 아니라 어떤 오차를 어떤 로그로 추정하고 언제 다시 보정하느냐이다. 모터 온도가 올라갈 때 토크 응답이 달라지는지, 손가락 패드가 닳을 때 미끄럼이 늘어나는지, 펌웨어 갱신 뒤 지연이 바뀌는지를 기록해야 한다. 정책 버전만 저장하고 하드웨어 상태를 남기지 않으면 실패를 재현할 수 없다. 반대로 모든 변동을 무작위화하면 정책이 지나치게 보수적이거나 학습이 불안정해질 수 있다.

4.8 개방 생태계는 저장소 개수가 아니라 교체 가능성이다

공개 저장소가 많으면 시작은 쉬워진다. 하지만 제조 통합에서 개방성은 세 단계로 측정해야 한다. 첫째, 관측과 명령의 자료형, 좌표계, 주기, 시간 동기화가 문서화돼 있는가. 둘째, 시뮬레이션과 실제 로봇이 같은 의미의 명령과 제한조건을 쓰는가. 셋째, 펌웨어·SDK·모델이 업데이트될 때 호환성, 보안 수정, 장기 지원이 제공되는가. 코드가 보인다는 사실과 운영 책임을 나눌 수 있다는 사실은 다르다.

ROS 또는 ROS 2 패키지는 메시지 전달과 도구 연계를 돕지만 실시간성, 안전 인증, 제어 안정성을 자동으로 제공하지 않는다. Gazebo, MuJoCo, Isaac 계열 자산도 관절 이름과 외형이 맞는 것에서 끝나지 않는다. 질량, 관성, 감속기, 접촉, 센서 잡음, 제어 주기가 실제와 맞아야 정책 이전에 의미가 있다. 따라서 공급사에 ‘지원합니까?’라고 묻기보다 검증된 버전 조합과 회귀시험 결과를 요청해야 한다.

애지봇의 X1 공개 설계는 하드웨어까지 이해하려는 팀에 깊은 진입점을 준다. 유니트리의 SDK와 ROS 계열 자산은 여러 몸체를 빠르게 시험하는 데 유리하다. 유비테크의 공시는 내부 데이터·훈련·군집 플랫폼의 통합을 강조한다. 세 접근 모두 가치가 있지만 ‘완전 개방’이라는 한 단어로 합치면 안 된다. 외부 수정 가능성, 공급사 내부 통합, 상업 지원은 서로 다른 축이다.

4.9 안전: 넘어지지 않는 로봇보다 안전하게 실패하는 시스템

휴머노이드 안전을 보행 성공률 하나로 평가하면 위험하다. 사람 키의 기계가 넘어질 때는 본체 질량뿐 아니라 팔의 휘두름, 손에 든 물체, 주변 설비와의 2차 충돌을 고려해야 한다. 4족은 낮은 무게중심 때문에 덜 위협적으로 보일 수 있지만, 빠른 주행과 탑재 팔, 계단 모서리에서의 미끄럼은 별도 위험을 만든다. 안전 목표는 실패가 없다는 선언이 아니라 실패를 감지하고 에너지를 제한하며 사람이 복구할 수 있게 만드는 것이다.

제조 셀은 정책 위에 독립적인 안전 계층을 둬야 한다. 속도·힘 제한, 지오펜스, 보호 정지, 비상정지, 통신 상실 동작, 배터리 열 이상, 낙상 방향을 각각 시험한다. 학습 정책이 안전 센서의 의미를 해석해 정지하는 구조만으로는 부족하다. 안전 기능은 정책 업데이트와 분리된 경로에서 동작하고, 변경 관리와 주기 시험이 가능해야 한다.

사람과 같은 통로를 쓰는 경우 ‘가까이 있어도 된다’와 ‘협동 작업이 검증됐다’를 구분한다. 속도가 낮아도 긴 팔이나 작업물이 끼임 위험을 만들 수 있다. 원격조작 역시 안전을 해결하지 않는다. 네트워크 지연, 운전자의 시야 가림, 권한 전환, 통신 단절이 새로운 위험원이 된다. 초기 배치는 물리적 분리와 관찰 모드에서 시작하고, 검증된 위험만 단계적으로 공유 공간에 포함하는 편이 합리적이다.

4.10 제조 셀 적용 워크스루 — 혼합 용기 공급 작업

가정할 과업은 부품 창고에서 서로 다른 높이의 용기를 찾아 조립 셀 옆 완충대에 공급하는 일이다. 통로에는 사람이 가끔 지나가고, 용기 손잡이는 위치 편차가 있으며, 일부 구간에는 얕은 경사와 문턱이 있다. 휴머노이드는 선반과 손잡이를 기존 높이 그대로 쓸 가능성이 있고, 4족은 통로와 문턱을 안정적으로 지날 수 있다. 하지만 4족이 작업을 끝내려면 팔을 탑재하거나 사람·고정 로봇에게 인계해야 한다.

첫 단계는 ‘창고에서 셀까지 이동’ 같은 큰 문장을 작업 상태로 분해하는 것이다. 대기, 임무 수신, 위치 확인, 빈손 이동, 용기 식별, 접근, 손잡이 파지, 들어 올림, 운반, 내려놓기, 인계 확인, 충전 또는 배터리 교환, 장애 복구로 나눈다. 각 상태에는 시작 조건, 성공 조건, 시간 제한, 허용 가능한 사람 개입을 붙인다. 시연에서 자주 숨겨지는 것은 실패 뒤 재시작 위치이므로, 현장 평가는 완전 초기화와 국소 복구를 따로 측정해야 한다.

두 번째는 몸체 선택이다. 용기 질량과 손잡이 위치가 일정하고 바닥이 평평하면 바퀴형 이동조작기가 더 단순할 수 있다. 계단과 좁은 인간형 설비가 핵심이면 휴머노이드가 정당화될 수 있다. 관찰·순찰이 대부분이고 조작은 드물다면 4족과 고정 팔의 분업이 더 경제적일 수 있다. 범용 몸체를 먼저 사고 과업을 찾는 순서를 뒤집어, 가장 어려운 접촉과 지형이 실제로 어떤 형태를 요구하는지부터 판단한다.

세 번째는 데이터와 제어다. 원격조작으로 성공 사례만 모으지 말고 손잡이 가림, 용기 비뚤어짐, 미끄럼, 사람 진입, 통신 저하, 배터리 부족을 포함한다. 로그에는 카메라·깊이·관절·토크·발 접촉·손 접촉·명령·안전 이벤트를 공통 시각으로 저장한다. 고수준 정책은 다음 상태와 목표를 선택하고, 저수준 제어기는 균형과 힘 제한을 지킨다. 사람 운전자는 정책이 벗어난 상태를 복구하며 그 구간을 새 학습 데이터로 표시한다.

네 번째는 승인 시험이다. 정상 용기 100회 성공만으로는 부족하다. 질량, 손잡이 방향, 조명, 바닥 마찰, 통로 혼잡도를 층화해 시험하고, 성공률과 함께 충돌 없는 중단률, 자동 복구율, 사람 개입 시간, 작업당 에너지, 재파지 횟수를 기록한다. 넘어지지 않았지만 물체를 반복해서 떨어뜨리는 시스템도 실패다. 작업은 끝냈지만 사람이 매번 원격으로 정렬했다면 자동화 경제성은 낮다.

마지막은 운영 소유권이다. 생산기술팀은 셀 과업과 허용 편차를, 안전팀은 보호 계층과 변경 승인을, IT·보안팀은 네트워크와 업데이트를, 공급사는 펌웨어·부품·수리 시간을, 데이터팀은 로그와 모델 버전을 소유한다. 누구도 정책의 전체 행동을 완전히 예측하지 못한다면, 사건 발생 때 어떤 버전과 센서 상태로 재현할지 정한 책임 행렬이 필수다.

제조 셀 적용 체크포인트

과업 스키마에는 목표 물체, 시작·종료 자세, 허용 접촉, 금지 구역, 최대 힘, 시간 제한, 실패 뒤 안전 자세를 넣는다. ‘상자를 옮긴다’보다 어느 선반에서 어느 자세로 집고 어떤 방향으로 내려놓는지, 물체가 보이지 않을 때 탐색을 허용하는지, 사람이 통로에 들어오면 어디까지 후퇴하는지를 명시해야 한다.

데이터와 로그는 센서 원자료만 쌓지 않는다. 로봇 일련번호, 관절·손·배터리 상태, 펌웨어, 정책, 지도, 캘리브레이션, 작업물 로트, 사람 개입 이유를 같은 실행 ID에 연결한다. 시뮬레이션 재현에는 당시의 물리 파라미터와 무작위화 범위도 필요하다. 이 연결이 없으면 학습 성능이 좋아졌는지 하드웨어 편차가 우연히 줄었는지 구분하기 어렵다.

핵심성과지표는 최고 속도보다 성공한 유상 작업의 흐름을 측정한다. 시간당 완료 수, 무개입 연속 시간, 안전 정지율, 물체 손상률, 자동 복구율, 작업당 에너지, 소모품과 원격지원 비용을 함께 본다. 파일럿 기간의 평균만 보지 말고 교대조·로봇·작업물별 분포와 최악 구간을 본다. 생산 확대는 평균 성능이 아니라 꼬리 위험에서 막히기 쉽다.

안전 승인과 모델 성능 승인을 분리한다. 정책이 업데이트돼도 독립 정지 계층, 속도 제한, 작업공간 감시가 유지되는지 회귀시험한다. 공급사가 원격 업데이트할 수 있다면 승인 창구와 롤백 권한을 계약에 넣는다. 로봇이 넘어진 뒤 사람이 들어가 복구할 때 잔류 에너지와 갑작스러운 재기동을 차단하는 절차도 작업 표준에 포함한다.

4.11 불확실성과 실패 양식

첫 번째 한계는 회사 간 공개 수준이 다르다는 점이다. 유비테크의 감사 수치가 있다고 해서 기술적으로 항상 우월한 것은 아니고, 비상장사의 미공개 매출이 0이라는 뜻도 아니다. 공개된 숫자의 존재와 실제 성과를 분리하면서도, 공개하지 않은 값을 추정으로 채우지 않는 비대칭을 받아들여야 한다.

두 번째는 제품군과 연구 논문 사이의 귀속 문제다. G1에서 성공한 외부 논문은 유니트리 몸체의 연구 접근성을 보여 주지만 회사의 공식 기능이나 지원을 자동으로 뜻하지 않는다. 애지봇 연구팀의 시뮬레이터 수치는 독립 벤치마크가 아니다. 유비테크의 공시는 감사 재무와 회사 설명이 섞여 있으므로 재무표, 제품 사양, 경영진 서술의 증거 등급을 구분해야 한다.

세 번째는 가시성 공백이다. 2025년 8월 17일부터 2026년 8월 17일까지의 지정 미디어 코퍼스에서 회사별 적격 기사 수를 완결해 집계하지 못했으므로 세 회사 모두 미측정이다. 검색 결과 수, 소셜 영상 조회 수, 무대 출연 횟수는 독립 편집 기사 수의 대체물이 아니다. 가시성은 제품 성숙도와도 별개다.

네 번째는 WRC 2026 정보의 부분 확인이다. 공식 참가사 디렉터리는 Unitree C215와 UBTECH C103을 확인하지만, AgiBot 부스와 세 회사의 프로그램 참여는 아직 검증되지 않았다. 실제 방문 계획에서는 공식 전시장 디렉터리와 당일 표지를 다시 확인하고, 미검증 지점을 필수 경유지로 고정하지 않아야 한다 ^[16].

다섯 번째는 안전과 장기 신뢰성이다. 공개 시연과 단기 논문은 관절 수명, 손 패드 마모, 배터리 열화, 캘리브레이션 드리프트, 수리 부품 공급을 충분히 다루지 않는다. 제조 구매 결정 전에는 같은 작업을 여러 일련번호와 여러 교대조에서 반복하고, 실패 영상과 서비스 기록을 포함한 현장 자료를 요청해야 한다.

기존 서베이와의 연결

휴머노이드 운동·조작 서베이는 모델 기반 제어, 학습 기반 이동, 전신 조작, 기반모델의 연구 지형을 폭넓게 정리한다 ^[14]. 이 장은 그 알고리즘 지도를 회사 지도에 그대로 투영하지 않는다. 학술 성능에서 제품 성숙도로 이동하려면 제조 편차, 문서, SDK, 안전 계층, 생산·판매·가동 증거가 추가돼야 한다. 연구에서 강한 몸체가 반드시 구매에서 강한 몸체는 아니며, 반대도 마찬가지다.

또한 4족의 체계적 시뮬레이션-현실 이전과 휴머노이드의 재대상화 연구는 플랫폼 평가에 두 가지 질문을 더한다. ‘정책이 얼마나 좋은가’에 앞서 ‘이 로봇의 실제 동역학을 얼마나 빨리 식별할 수 있는가’, ‘사람이나 다른 몸체에서 온 동작을 접촉 관계를 보존하며 옮길 수 있는가’를 물어야 한다. 이 두 능력은 모델 업데이트 주기와 새 작업 도입 비용을 좌우한다.

다음에 배울 것

이 장은 범용 몸체를 이동과 조작의 결합 문제로 보았지만, 실제 제조 가치는 결국 물체를 잡고 운반하고 놓는 데서 결정된다. 다음 5장에서는 바퀴 또는 다리 기반 이동체에 팔을 결합한 이동형 조작으로 초점을 옮긴다. 휴머노이드가 사람형 환경의 모든 문제를 한 몸에 안는다면, 이동형 조작기는 필요한 이동과 팔 작업만 조합해 복잡도를 낮출 수 있다.

5장을 읽을 때는 세 가지 질문을 이어 가면 된다. 첫째, 바퀴·다리·양팔의 형태가 작업공간과 안정성을 어떻게 바꾸는가. 둘째, 이동과 파지를 별도 모듈로 설계할지 하나의 전신 정책으로 학습할지. 셋째, 시연 성공을 제조 셀의 무개입 시간과 작업당 원가로 어떻게 바꿀지다. 범용 몸체 경쟁의 다음 승부는 더 사람답게 걷는 장면이 아니라, 움직이는 기반 위에서 접촉 작업을 얼마나 예측 가능하게 끝내는가에 있다.

참고문헌

1. AgiBot (2026a). AGIBOT identity and milestones. Official company website.
2. AgiBot (2026b). AgiBot research portfolio. Official research website.
3. Yin, C. et al. (2026). Genie Sim 3.0: A High-Fidelity Comprehensive Simulation Platform for Humanoid Robot. arXiv:2601.02078.
4. Unitree Robotics (2026a). About Unitree. Official company website.
5. Unitree Robotics (2026b). Unitree developer documentation. Official developer website.
6. Unitree Robotics (2026c). Official open-source resources. Official open-source portal.
7. UBTECH Robotics (2026). Annual Report 2025. HKEX issuer filing, stock code 9880.
8. Sferrazza, C. et al. (2024). HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation. RSS 2024, arXiv:2403.10506.
9. Wu, Z. et al. (2026). Perceptive Humanoid Parkour: Chaining Dynamic Human Skills via Motion Matching. arXiv:2602.15827. #71 · Terry EN
10. Seo, Y. et al. (2025). Learning Sim-to-Real Humanoid Locomotion in 15 Minutes. arXiv:2512.01996. #72 · Terry EN
11. Bjelonic, F. et al. (2025). Towards Bridging the Gap: Systematic Sim-to-Real Transfer for Diverse Legged Robots. arXiv:2509.06342. #82 · Terry EN
12. Yang, L. et al. (2025). OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction. arXiv:2509.26633. #70 · Terry EN
13. Cheng, X. et al. (2024). Open-TeleVision: Teleoperation with Immersive Active Visual Feedback. CoRL 2024, arXiv:2407.01512.
14. Gu, Z. et al. (2025). Humanoid Locomotion and Manipulation: Current Progress and Challenges in Control, Planning, and Learning. arXiv:2501.02116. #73
15. Sentis, L. and Khatib, O. (2008). Robot Manipulator Control Using Generalized Operational Space. Robotica. DOI: 10.1017/S0263574708004472.
16. World Robot Conference (2026). World Robot Conference official website. Official organizer source.
17. Jeremy Dao et al. (2022). Sim-to-Real Learning of All Common Bipedal Gaits via Periodic Reward Composition. arXiv:2011.01387.
18. Jonah Siekmann et al. (2021). Blind Bipedal Stair Traversal via Sim-to-Real Reinforcement Learning. arXiv:2105.08328.
19. Nikita Rudin et al. (2021). Learning to Walk in Minutes Using Massively Parallel Deep Reinforcement Learning. arXiv:2109.11978.
20. Jonah Siekmann et al. (2020). Learning Memory-Based Control for Human-Scale Bipedal Locomotion. arXiv:2006.02402.
21. Joonho Lee et al. (2020). Learning Quadrupedal Locomotion Over Challenging Terrain. arXiv:2010.11251.
22. Benjamin Katz et al. (2019). Mini Cheetah: A Platform for Pushing the Limits of Dynamic Quadruped Control. DOI:10.1109/icra.2019.8793865.
23. Jemin Hwangbo et al. (2019). Learning Agile and Dynamic Motor Skills for Legged Robots. DOI:10.1126/scirobotics.aau5872.
24. Jared Di Carlo et al. (2018). Dynamic Locomotion in the MIT Cheetah 3 through Convex Model-Predictive Control. DOI:10.1109/iros.2018.8594448.
25. Patrick M. Wensing et al. (2017). Proprioceptive Actuator Design in the MIT Cheetah: Impact Mitigation and High-Bandwidth Physical Interaction for Dynamic Legged Robots. DOI:10.1109/tro.2016.2640183.
26. Siyuan Feng et al. (2014). Optimization-based Full Body Control for the DARPA Robotics Challenge. DOI:10.1002/rob.21559.
27. Sangok Seok et al. (2013). Design Principles for Highly Efficient Quadrupeds and Implementation on the MIT Cheetah Robot. DOI:10.1109/icra.2013.6631038.
28. Ludovic Righetti et al. (2013). Control of Legged Robots with Optimal Distribution of Contact Forces. DOI:10.1177/0278364913495243.
29. Jerry Pratt et al. (2012). Capturability-based Analysis and Control of Legged Locomotion, Part 2: Application to M2V2, a Lower-Body Humanoid. DOI:10.1177/0278364912452762.
30. Twan Koolen et al. (2012). Capturability-based Analysis and Control of Legged Locomotion, Part 1: Theory and Application to Three Simple Gait Models. DOI:10.1177/0278364912452673.
31. Eric R. Westervelt et al. (2007). Feedback Control of Dynamic Bipedal Robot Locomotion. CRC Press (Book).
32. Jerry Pratt et al. (2006). Capture Point: A Step toward Humanoid Push Recovery. DOI:10.1109/ichr.2006.321385.
33. Luis Sentis et al. (2005). Synthesis of Whole-Body Behaviors through Hierarchical Control of Behavioral Primitives. DOI:10.1142/s0219843605000545.
34. Shuuji Kajita et al. (2003). Biped walking pattern generation by using preview control of zero-moment point. DOI:10.1109/robot.2003.1241826.
35. David W. Robinson (2000). Design and Analysis of Series Elasticity in Closed-loop Actuator Force Control. MIT PhD thesis.
36. Gill A. Pratt et al. (1995). Series Elastic Actuators. DOI:10.1109/iros.1995.525827.