Chapter 5: 이동형 조작 — 팔과 이동의 결합

개요

이 장의 질문은 “어느 로봇 팔이 가장 정밀한가”가 아니다. 이동 베이스 위의 팔이 목적지에 도착하고, 작업 대상과 올바른 관계를 만들고, 두 팔로 일을 끝내고, 실패에서 복구하고, 배터리가 다하기 전에 다음 임무로 넘어갈 수 있는가? 이동형 조작(mobile manipulation)은 내비게이션과 조작을 한 기계에 얹는 문제가 아니라 두 오차 체계와 두 시간 척도를 하나의 운영 체계로 묶는 문제다.

이 장의 논지는 이동형 조작의 상용 성숙도가 팔의 단일 성공 장면이나 베이스의 최고 속도로 결정되지 않는다는 것이다. 베이스가 수 센티미터 빗나가면 팔의 작업공간이 사라지고, 팔이 물체를 들어 올리면 무게중심과 제동거리가 바뀐다. 재계획이 느리면 사람 개입이 늘고, 초기화가 수동이면 논문 성공률이 현장 처리량으로 이어지지 않는다. 그래서 내비게이션, 양팔 조작, 복구, 전력, 사람 개입, 군집 배차가 같은 임무 로그 안에서 이어져야 한다.

Galbot/Galaxy General, Galaxea Dynamics, X Square Robot은 이 장의 고정 심층 프로필이다 ^{[1] [3] [6]}. 이 선택은 절대적 순위를 뜻하지 않는다. 세 회사는 긴 작동시간을 내세운 작업형 플랫폼, 공개 개발 문서가 강한 연구·배치 플랫폼, 기반모델과 로봇의 수직 결합이라는 서로 다른 증거 구조를 보여 준다. 자금, 법인, 배치, 미디어, WRC 값이 근거에서 확인되지 않으면 추정하지 않는다.

이 장을 읽고 나면... - 내비게이션 오차가 팔의 도달범위·정밀도·안전에 어떻게 전달되는지 설명할 수 있다. - 양팔 사양, 베이스 위치 정밀도, 물체 좌표 오차를 하나의 작업 허용오차로 계산할 수 있다. - Galbot, Galaxea, X Square의 제품·기술·사업·SDK 생태계를 같은 필드로 비교할 수 있다. - 시연 성공과 운영 배치를 개입률, 초기화 시간, 배터리, 군집 배차 증거로 구분할 수 있다. - 제조 셀에서 이동형 조작 파일럿의 작업 스키마, 로그, 핵심성과지표, 안전 책임을 설계할 수 있다.

5.1 이동과 조작은 직렬 파이프라인이 아니다

전통적인 설명은 “로봇이 이동한 뒤 팔이 집는다”는 직렬 파이프라인이다. 실제 현장에서는 이동이 끝났다는 판단 자체가 조작 성공을 포함한다. 선반 앞에 멈춘 베이스의 위치와 방향, 승강축 높이, 팔꿈치 여유, 카메라 시야, 사람 통로가 동시에 허용 범위에 들어와야 한다. 내비게이션 목표점을 하나의 점으로 주면 팔이 닿지 않거나 문을 막을 수 있다. 조작이 가능한 베이스 자세의 집합을 목표로 계획해야 한다.

반대 방향의 결합도 중요하다. 팔이 빈 상태일 때와 두 팔로 10 kg 물체를 들었을 때 베이스의 가속, 제동, 회전 안정성은 다르다. 케이블과 팔의 자기 충돌 공간도 바뀐다. 따라서 고수준 임무 계획기는 “이동 완료”를 선언하고 팔에 권한을 넘기는 데서 끝나지 않는다. 물체 상태와 팔 자세가 바뀔 때 베이스의 허용 속도와 경로를 다시 계산해야 한다.

Mobile ALOHA는 저비용 양팔 원격조작 장치에 이동 베이스를 결합해 전신 데이터를 수집하고, 제한된 실내 과제에서 모방학습이 복합 작업을 수행할 수 있음을 보였다 ^[8]. 중요한 교훈은 바퀴가 달렸다는 사실보다 사람의 전신 행동을 베이스와 두 팔의 동기화된 궤적으로 기록했다는 점이다. 그러나 과제별 시연이 필요했고, 비교적 제한된 환경이었으며, 촉각이 없었다. 연구 성공을 제품 일반성으로 확대할 수 없는 이유다.

5.2 시연에서 배치까지: 성공률의 숨은 분모

이동형 조작 시연은 긴 과정을 한 영상으로 보여 주기 좋다. 로봇이 방을 가로질러 문을 열고 물체를 집어 다른 곳에 놓으면 범용성이 느껴진다. 하지만 구매 판단에는 성공한 한 번보다 실패가 발생한 위치와 복구 방식이 중요하다. 지도에서 길을 잃었는가, 베이스가 너무 멀리 섰는가, 양팔이 서로 방해했는가, 물체를 놓친 뒤 누가 초기화했는가를 분리해야 한다.

BUMBLE은 건물 단위의 긴 임무를 고수준 추론, 기술 라이브러리, 지도, 메모리, 사람 도움 요청으로 연결했다. 보고된 전체 과업 성공률은 절반에 미치지 못했지만, 하위 과업 성공과 사람 개입 감소를 함께 제시했다 ^[9]. 이 결과는 “긴 임무가 가능하다”와 “대부분의 임무를 무개입으로 완료한다”가 다르다는 사실을 명확히 한다. 실패를 숨기지 않는 분모가 오히려 운영 설계에 유용하다.

AutoRT는 여러 로봇을 장기간 배치해 자율, 스크립트, 원격조작 데이터를 섞어 수집하고, 언어모델을 임무 제안과 오케스트레이션에 사용했다 ^[10]. 대규모 에피소드 수는 데이터 운영 능력을 보여 주지만 특정 제조 과업의 성공률을 대신하지 않는다. 임무 생성, 안전 필터, 저수준 기술, 사람 감독이 함께 작동했다는 구조가 핵심이다. 기반모델이 모든 실행 권한을 직접 가진다는 해석은 잘못이다.

5.3 심층 프로필 I — Galbot / Galaxy General

한국어 표기는 ‘갤봇/갤럭시 제너럴’, 영문 브랜드는 Galbot / Galaxy General, 중국어 브랜드는 ‘银河通用机器人’으로 기록한다. 공식 사이트는 법인을 北京银河通用机器人股份有限公司로 표시하고, 2023년 5월 설립을 밝히며, 개인정보 처리방침에 베이징시 하이뎬구 주소를 제시한다 ^[1]. 다만 “Galbot”은 회사와 글로벌 자회사·계열사의 통칭이므로 계약 상대 법인은 별도 확인해야 한다.

주력 제품 G1은 키가 큰 바퀴형 양팔 이동조작기다. 공식 페이지는 173 cm 높이, 최대 2.4 m 도달범위, IP54, 275 TOPS 온보드 연산을 제시한다 ^{[1] [2]}. 이런 형태는 바닥에서 높은 선반까지 하나의 몸체로 접근하고, 두 팔로 큰 물체를 다루며, 다리보다 에너지 효율적인 바퀴를 이용하려는 설계다. 하지만 높이와 도달범위가 모두 유효한 작업공간이라는 뜻은 아니다. 팔 자세, 하중, 자기 충돌, 카메라 시야에 따라 실제 가용 공간이 줄어든다.

Galbot의 G1 페이지는 팔당 5 kg, 양팔 합계 10 kg을 명시하지만 작동시간은 기능 설명에서 8시간, 사양 블록에서 10시간으로 서로 다르게 제시한다 ^[2]. 두 작동시간 수치는 공급사 확인 전 단일 값으로 확정할 수 없다. 이는 회사 사양이며 독립된 의무주기 시험이 아니다. 8시간이 대기, 빈손 이동, 양팔 하중, 연산 부하를 어떤 비율로 포함하는지, 5 kg이 어느 팔 길이와 속도에서 연속 유지되는지 공개된 공통 시험으로 확인되지 않았다. 두 수치는 구매 시험의 출발 조건이지 작업 처리량의 보증이 아니다.

기술 포지션은 높은 수직 도달, 양팔, 전방향 이동, 온보드 연산을 하나의 작업형 플랫폼에 넣는 것이다. 이 장의 확보 자료에서는 개발자가 사용할 SDK, 공식 ROS 또는 ROS 2 패키지, NVIDIA Isaac Sim·Isaac Lab 지원 범위, 외부 시뮬레이션 모델, 장기 지원 정책을 확인하지 못했다. 공개되지 않았다는 것은 기능이 없다는 뜻이 아니라 검증 가능한 통합 경로가 없다는 뜻이다. 구매자는 API 문서와 버전 행렬을 비공개 실사에서라도 요구해야 한다.

사업 측면에서 자금조달액, 매출, 감사 출하량, 활성 설치 기반은 이 근거 묶음에서 미공개 또는 미검증이다. 공식 제품 사양은 제품화 의도를 보여 주지만 고객 검수, 평균 무고장 시간, 작업당 비용을 보여 주지 않는다. 성숙도는 ‘공식 제품 사양이 있는 상용화 지향 플랫폼’으로 평가하되, ‘대규모 반복 배치’로 올리지 않는다.

계획된 공식 제품 사진은 G1이 높은 선반과 낮은 작업대 사이에서 양팔을 쓰는 측면 장면이 적합하다. 영웅 사진보다 베이스 폭, 승강 구조, 팔의 간섭 공간, 센서 배치가 보이는 사진이 좋다. 사진은 도달 가능성을 설명할 뿐 서로 충돌하는 8시간·10시간 작동시간이나 5 kg 연속 작업을 입증하지 않는다.

5.4 심층 프로필 II — Galaxea Dynamics

한국어 표기는 ‘갤럭시아 다이내믹스’, 영문 브랜드는 Galaxea Dynamics, 공식 중국어 법인 표기는 ‘星海图（北京）人工智能科技股份有限公司’다. 공식 회사 페이지는 2023년 9월 설립을 밝힌다 ^[3]. 중국어 법인명에서 베이징 운영 기반은 확인되지만, 이 근거만으로 법적 본사 주소와 모든 관계사를 완전히 해소하지 않으므로 본사는 ‘베이징 기반, 상세 주소 미검증’으로 둔다.

제품군은 R1 Pro, R1, R1 Lite 이동조작기와 A1/A1-X 팔, 원격조작 장치, EDP·GForge 개발 플랫폼으로 구성된다. R1 계열은 전방향 베이스, 승강 몸통, 두 팔, 카메라와 라이다를 결합한다 ^[4]. Pro, 표준, Lite는 자유도, 센서, 팔 하중, 데이터 수집과 배치 목적의 균형이 다르다. 단일 사양표보다 어떤 모델이 어떤 소프트웨어 버전과 작업 부하에서 검증됐는지 확인해야 한다.

Galaxea는 R1에 대해 2 m 수직 작업범위와 0.5 m 조건에서 팔당 최대 5 kg을 보고한다 ^[4]. 이는 회사 자체 시험 조건의 사양이다. 수직 승강 범위가 모든 높이에서 동일한 양팔 하중과 반복정밀도를 보장하지 않고, 최대 하중은 연속 정격과 다를 수 있다. 베이스가 움직인 직후의 진동과 두 팔 동시 사용에서 값이 유지되는지는 별도 수락시험이 필요하다.

개발 생태계는 세 회사 중 공개 문서가 가장 구체적인 축에 속한다. 공식 문서는 Ubuntu 20.04와 ROS 1 Noetic, Ubuntu 22.04와 ROS 2 Humble 조합의 SDK, 팔·몸통·베이스·카메라·라이다·IMU·배터리 인터페이스, 자율 내비게이션과 원격조작 절차를 제공한다 ^[5]. 이는 모듈별 진단과 데이터 수집을 가능하게 한다. NVIDIA Jetson AGX Orin 탑재는 제품 사양에서 확인되지만 Isaac Sim 또는 Isaac Lab의 공식 검증 지원은 이 근거에서 확인되지 않는다.

현재 공식 회사 페이지는 글로벌 고객이 100곳에 근접하고, 1년 안에 네 차례 조달을 완료해 누적 조달액이 약 1억 달러라고 회사 기준으로 밝힌다 ^[3]. 과거의 ‘직접 고객 40곳 이상’ 구분을 유지하려면 날짜가 있는 보존본이 필요하다. 이 수치는 고객의 유상 여부, 중복, 제품별 비중, 활동 상태, 투자 라운드의 종결 문서를 독립적으로 감사한 값이 아니므로 출하량이나 반복 매출로 변환하지 않는다.

계획된 공식 제품 사진은 R1 Pro 또는 R1이 승강 몸통과 양팔을 사용해 바닥, 작업대, 선반을 잇는 장면이 좋다. 별도의 세부 사진은 전방향 베이스와 센서 고리를 보여 줄 수 있다. 시각 자료는 형태와 인터페이스를 설명해야 하며, 고객 수나 현장 성공률의 증거처럼 사용해서는 안 된다.

5.5 심층 프로필 III — X Square Robot

한국어 표기는 ‘엑스스퀘어 로봇’, 영문 브랜드는 X Square Robot, 중국어 회사 표기는 ‘自变量机器人科技有限公司’다. 영문 공식 사이트의 푸터는 X Square Robot Technology (Shenzhen) Co., Ltd.와 선전 주소를 제공하고, 회사 페이지는 2023년 12월 설립 및 선전 운영 시작을 기록한다 ^[6]. 베이징·상하이·선전 연구 운영 거점도 회사가 소개하지만, 이 장에서는 선전을 본사성 운영 거점으로 기록하고 그룹 법인 관계는 부분 검증으로 둔다.

주력 제품은 Quanta X1 Pro 바퀴형 양팔 연구 플랫폼, Quanta X2 바퀴형 휴머노이드, ArtiXon Hand이며, WALL-A와 WALL-OSS 모델이 소프트웨어 축을 이룬다 ^[6]. 전략은 모델이 요구하는 센서, 팔 자유도, 원격조작, 데이터 수집을 자체 몸체와 함께 반복 설계하는 것이다. 이 수직 결합은 모델과 하드웨어 사이의 인터페이스를 빠르게 바꿀 수 있게 하지만, 외부 고객이 어느 계층까지 교체할 수 있는지는 문서와 라이선스로 확인해야 한다.

X Square는 Quanta X1 Pro에 대해 19 자유도, 3 kg 정격 적재, 250 Hz 원격조작, 1.6 m 수직 작업공간을 보고한다 ^[7]. 이는 독립 가동시간 증거가 없는 회사 사양이다. 250 Hz 명령 주기가 전체 지각-네트워크-제어 지연을 뜻하지 않고, 팔 정격 하중과 전신 작업 하중은 다르며, 1.6 m 범위 전체에서 동일 정밀도가 보장되지 않는다.

공식 제품 문서는 WALL-A 사전 통합, ROS 2 기본 지원, 다언어 API와 Python SDK, 데이터 수집 도구를 명시한다 ^[7]. 공개 모델과 학습 코드도 확인된다. 반면 NVIDIA Isaac의 공식 모델·확장 기능과 검증된 버전 행렬은 확보 근거에서 확인되지 않는다. 개방성은 ROS 2·SDK·모델 공개라는 강한 시작점을 가지지만, 저수준 안전 제어와 상업 지원 범위까지 자동으로 확장되지 않는다.

공식 연혁은 여러 자금조달 라운드와 사업 확장을 제시하지만, 라운드 간 중복, 정확한 납입액, 투자 후 지분, 감사 매출은 권위 있는 종결 문서로 확인되지 않았다 ^[6]. 따라서 ‘회사가 다수의 대규모 라운드를 공개했다’고만 평가하고 금액을 합산하지 않는다. 공식 사이트의 복합 작업과 물류 배치 표현도 고객별 과업 수, 성공률, 무개입 시간, 유상 검수를 제공하지 않으므로 배치 성숙도는 부분 확인이다.

계획된 공식 제품 사진은 Quanta X1 Pro의 두 팔, 승강 범위, 센서와 베이스를 한 프레임에서 보여 주는 작업 장면이 적합하다. WALL-A 데모 화면보다 물체, 통로, 도킹 위치가 함께 보이는 사진이 내비게이션-조작 결합을 설명한다. 사진 속 성공은 한 사례이며 반복 성공의 분모는 별도 표로 요구해야 한다.

5.6 같은 눈금으로 비교하기

세 회사의 공통점은 인간형 상체와 바퀴 베이스를 결합해 넓은 수직 작업공간과 양팔 협응을 겨냥한다는 점이다. 차이는 무엇을 증거의 중심에 놓는가다. Galbot은 G1의 몸체 사양과 긴 작동시간을 전면에 둔다. Galaxea는 여러 제품 변형과 상세 SDK·ROS 문서를 공개한다. X Square는 WALL 계열 모델, 원격조작, ROS 2, 자체 몸체를 한 학습 루프로 묶는다.

이동형 조작의 현장 증거에는 팔의 단일 성공뿐 아니라 내비게이션, 실패 복구, 전력, 사람 개입, 군집 인터페이스가 함께 포함돼야 한다 ^{[8] [9] [10]}. 한 계층의 성공률만 높으면 긴 임무에서 나머지 계층이 병목이 되어 주문 완결률을 제한한다.

이 비교는 승자를 뽑지 않는다. 빠르게 논문을 재현하려는 연구팀은 문서와 ROS 버전을 높게 평가할 수 있다. 자체 기반모델을 몸체와 함께 개발하려는 팀은 원격조작과 모델 공개를 볼 수 있다. 2교대 제조 셀은 정격 하중, 충전, 수리시간, 도킹 오차와 계약상 검수를 우선한다. 가장 좋은 회사가 아니라 가장 위험한 미확인 필드가 무엇인지가 구매 결정을 좌우한다.

5.7 내비게이션-조작 결합: 자세가 곧 작업공간이다

이동 베이스의 최종 오차는 팔 끝 오차에 단순히 더해지지 않는다. 베이스가 몇 도 회전하면 긴 팔 끝의 횡방향 오차가 커지고, 카메라와 물체의 시야각도 바뀐다. 승강 몸통이 움직이면 케이블, 관성, 카메라 외부 파라미터가 달라질 수 있다. 따라서 지도 좌표의 위치 정확도와 팔의 반복정밀도를 별도 사양으로 읽고 합산하는 방식은 부족하다.

실용적인 계획기는 물체 주변에 조작 가능한 베이스 자세 영역을 만들고, 그중 통로와 사람 흐름을 방해하지 않는 자세를 선택한다. 접근 중 물체가 움직이거나 선반 위치가 달라지면 팔로만 보정할지 베이스를 미세 이동할지 판단한다. 팔의 여유도가 작아질수록 베이스 보정이 필요하지만, 접촉 중 베이스가 움직이면 힘 제어가 불안정해질 수 있다. 권한 전환 규칙을 명시해야 한다.

두 팔은 문제를 더 복잡하게 만든다. 한 팔이 물체를 지지하고 다른 팔이 조작할 때 물체가 임시 좌표계가 된다. 베이스, 두 팔, 손, 물체, 작업대 사이의 변환을 공통 시각과 캘리브레이션 버전으로 관리해야 한다. 한 카메라의 5 mm 외부 파라미터 오차가 파지 단계에서는 허용돼도 커넥터 삽입에서는 실패가 될 수 있다. 과업별 공차 예산이 필요하다.

5.8 사람 개입과 초기화: 실패를 운영 가능한 데이터로 바꾸기

사람 개입은 자율성의 부끄러운 예외가 아니라 설계해야 할 운영 자원이다. 로봇이 도움을 요청할 조건, 원격 운전자가 가져가는 권한, 현장 작업자가 접근할 안전 절차, 다시 자율 모드로 돌려주는 조건을 정의해야 한다. 도움 요청이 너무 늦으면 물체와 설비가 손상되고, 너무 이르면 사람 시간이 자동화 이익을 잠식한다.

인간개입형 작업·동작 계획은 계획기가 풀 수 없는 구간만 사람이 수행하고, 그 개입을 다음 정책의 데이터로 사용하는 중간 경로를 제시한다 ^[12]. AnyTeleop과 DexPilot은 사람의 팔·손 동작을 서로 다른 로봇 형태에 대응시키는 모듈화된 원격조작 계보를 보여 준다 ^{[13] [14]}. 그러나 시야 가림, 촉각 부재, 지연, 불가능한 자세는 여전히 사람의 판단을 어렵게 한다.

초기화(reset)는 연구 영상에서 가장 자주 빠지는 비용이다. 물체를 정위치로 돌리고, 넘어진 용기를 세우고, 팔을 안전 자세로 보내고, 지도를 다시 맞추는 데 사람이 3분을 쓰면 30초짜리 성공 과업의 처리량은 무너진다. 따라서 성공률과 함께 실패당 초기화 시간, 초기화에 필요한 인원, 물체·설비 손상, 정책이 재사용할 수 있는 상태로 자동 복구한 비율을 기록해야 한다.

5.9 양팔·베이스 정밀도: 공차 예산으로 말하기

‘팔 반복정밀도 1 mm’만으로 조립 가능성을 판단할 수 없다. 베이스 도킹, 몸통 승강, 카메라 보정, 물체 위치 추정, 그리퍼 유격, 하중 변형, 두 팔 사이 보정이 모두 최종 오차에 기여한다. 각 오차가 독립이라고 가정해 제곱합을 쓰는 것도 실제 접촉에서는 부정확할 수 있다. 방향성 편향과 열 드리프트가 같은 방향으로 누적되기 때문이다.

양팔 작업에서는 상대 정밀도와 절대 정밀도를 구분한다. 두 팔이 같은 프레임에 잘 보정돼 있으면 큰 물체를 함께 옮길 수 있어도, 외부 설비의 구멍에는 정확히 맞지 않을 수 있다. 반대로 외부 카메라가 설비를 잘 보더라도 두 팔의 힘 분배가 나쁘면 물체가 비틀린다. 수락시험은 빈손 경로, 단일 팔 하중, 양팔 공유 하중, 접촉 삽입을 별도로 구성해야 한다.

베이스 정밀도는 도킹 마커가 있을 때와 자연 지형에서 다르다. 반사체나 시각 마커를 추가해 5 mm 도킹을 얻는 시스템을 완전 비표식 내비게이션과 같은 조건으로 비교하면 안 된다. 제조 셀에서는 환경을 약간 바꾸는 비용이 범용 지각을 개발하는 비용보다 훨씬 낮을 수 있다. ‘일반성’을 목표로 마커를 거부하기보다 전체 경제성과 유지보수 책임을 계산한다.

5.10 에너지와 군집 오케스트레이션

배터리 사양은 무부하 지속시간이 아니라 임무 에너지 모델로 바꿔야 한다. 이동 거리, 베이스 가속, 승강 횟수, 팔 하중, 온보드 연산, 대기, 통신이 모두 소비를 만든다. G1 페이지의 8시간과 10시간이 서로 충돌하고, 어느 값도 순찰과 양팔 적재의 의무주기를 구분하지 않는다. 배터리 잔량뿐 아니라 전압 강하, 온도, 예상 임무 에너지, 충전기까지의 안전 여유를 배차기가 사용해야 한다.

여러 대를 운영하면 로봇 성능보다 공유 자원 충돌이 병목이 된다. 좁은 통로, 엘리베이터, 도킹 지점, 충전기, 원격 운전자, 작업물 대기공간을 누가 예약하는지 정해야 한다. 배차기는 가장 가까운 로봇만 선택하지 않는다. 현재 손·도구 구성, 배터리, 정책 버전, 지도, 적재 상태, 다음 유지보수 시간을 함께 봐야 한다.

기반모델은 임무를 설명하고 후보 행동을 만들 수 있지만, 실행 가능성, 충돌, 힘, 배터리, 교통 규칙을 독립 계층이 확인해야 한다. AutoRT의 의미도 모델 하나가 군집을 자율 통제했다는 데 있지 않다. 임무 제안, 기술 선택, 안전 필터, 사람 감독, 전통적 제어를 대규모 수집 운영 안에서 조합했다는 데 있다 ^[10]. 오케스트레이션은 모델 호출 문제가 아니라 권한과 상태 일관성 문제다.

5.11 제조 워크스루 — 라인사이드 키팅 보충

가정할 과업은 부품 슈퍼마켓의 여러 선반에서 두 종류의 키트 상자를 꺼내 조립 라인 옆 랙에 보충하는 일이다. 상자는 크기와 질량이 다르고, 일부는 두 팔로 들어야 한다. 통로에는 AMR과 사람이 지나가며, 라인사이드 랙의 빈 칸은 수시로 바뀐다. 작업 가치는 최고 속도가 아니라 정확한 키트를 손상 없이 정해진 시간 안에 보충하는 데 있다.

첫째, 과업을 상태 그래프로 만든다. 주문 수신, 재고 위치 확인, 경로 예약, 선반 접근, 베이스 정렬, 바코드·형상 확인, 단일 또는 양팔 파지, 후퇴, 운반, 랙 재확인, 배치, 재고 갱신, 다음 임무 또는 충전으로 나눈다. 각 전환에는 실패 코드와 복구 권한을 붙인다. ‘상자를 집지 못함’ 대신 시야 가림, 도달 불가, 파지 미끄럼, 베이스 오정렬, 잘못된 품목을 구분한다.

둘째, 공차 예산을 만든다. 선반 위치 지도 오차, 베이스 도킹 오차, 카메라 외부 파라미터, 상자 자세 추정, 그리퍼 중심, 양팔 상대 보정, 랙 슬롯 오차를 측정한다. 가장 큰 오차를 팔 정밀도로 덮으려 하지 않는다. 바닥 마커, 선반 기준면, 기계적 가이드, 더 좋은 보정 절차 가운데 비용이 가장 낮은 방법으로 전체 오차를 줄인다.

셋째, 데이터 수집과 사람 개입을 설계한다. 정상 파지뿐 아니라 빈 칸, 잘못 놓인 상자, 찌그러진 포장, 사람 차단, AMR 교차, 낮은 배터리, 한 팔 오류를 포함한다. 원격 운전자가 들어오면 왜 개입했는지 선택하고, 자율 정책과 사람 명령의 전환 시각을 로그에 남긴다. 현장 작업자가 상자를 원위치로 돌린 시간도 과업 비용에 넣는다.

넷째, 전력과 배차를 결합한다. 평균 임무 거리와 상자 질량별 에너지, 충전 대기, 교대조 피크 주문을 이용해 필요한 로봇과 충전기 수를 계산한다. 잔량이 낮은 로봇이 무거운 양팔 임무를 시작하지 않도록 하고, 장애가 난 로봇이 들고 있던 상자를 안전 지점에서 인계할 수 있게 한다. 배터리 사양만으로 2교대 가능 여부를 결정하지 않는다.

다섯째, 수락시험을 정상·변동·고장 주입으로 나눈다. 정상 시험은 처리량과 품질을, 변동 시험은 조명·마찰·상자 자세를, 고장 주입은 통신 단절·센서 가림·충전기 불능·그리퍼 오류를 다룬다. 핵심 지표는 주문 단위 완결률, 잘못된 키트율, 손상률, 무개입 시간, 자동 복구율, 사람 분, 충전 대기, 작업당 총비용이다.

제조 셀 적용 체크포인트

작업 스키마에는 물체 ID와 로트, 질량·크기·취약성, 허용 파지면, 출발·도착 슬롯, 납기, 사람·AMR 우선권, 실패 뒤 물체 안전 상태를 넣는다. 한 임무 안에서도 이동, 지각, 단일 팔, 양팔, 인계의 권한이 바뀌므로 상태 전환과 타임아웃을 명시해야 한다.

로그는 베이스 위치와 공분산, 바퀴 미끄럼, 승강 위치, 양팔 관절·토크, 그리퍼 상태, 카메라·라이다 시각, 물체 자세, 배터리·온도, 임무 큐, 사람 개입을 공통 실행 ID로 연결한다. 성공 영상만 저장하면 오차가 어느 계층에서 생겼는지 알 수 없다. 복구 전후 상태와 초기화 작업도 같은 임무에 묶는다.

핵심성과지표는 팔 성공률을 주문 완결률로 확장한다. 올바른 품목·수량·슬롯을 지킨 완결률, 시간당 보충, 무개입 연속 시간, 사람 분, 잘못된 품목, 물체·설비 손상, 에너지, 충전 대기, 평균 복구시간을 함께 본다. 교대조 평균뿐 아니라 로봇 일련번호와 품목별 최악 구간을 확인한다.

안전 책임은 생산기술, 물류, 안전, IT·보안, 데이터·모델, 공급사로 나눈다. 생산기술은 공차와 과업을, 물류는 통로와 우선순위를, 안전은 보호 정지와 사람 접근을, IT는 지도·네트워크·업데이트를, 데이터팀은 정책과 로그를, 공급사는 펌웨어·부품·수리를 소유한다. 모델 업데이트가 수락시험을 우회하지 못하게 변경 승인과 롤백 경로를 둔다.

5.12 한계와 열린 질문

첫 번째 한계는 세 회사의 법인·재무 공개 수준이 다르다는 점이다. Galaxea와 X Square의 공식 사이트에는 자금이나 고객 서술이 있지만 감사 재무와 같은 증거가 아니다. Galbot의 값이 없다고 해서 자금이나 매출이 0인 것은 아니다. 미공개를 0으로 코딩하지 않고, 회사 자체 공개를 독립 검증으로 승격하지 않는다.

두 번째는 제품 사양의 시험 조건이다. 작동시간, 최대 하중, 작업공간, 원격조작 주기는 하나의 장비가 동시에 달성한 의무주기를 뜻하지 않는다. 무거운 물체를 두 팔로 들고 승강축과 베이스를 움직이며 온보드 모델을 실행할 때의 배터리와 열, 정밀도는 별도 시험이 필요하다.

세 번째는 시연과 배치의 간극이다. 공식 페이지의 긴 과업 영상은 기능을 발견하는 데 유용하지만, 전체 시도 수, 초기화, 원격 지원, 고객 검수, 가동률을 제공하지 않을 수 있다. 논문도 과제와 플랫폼 범위 안의 결과다. BUMBLE의 실패 분모와 AutoRT의 감독 구조처럼 운영 한계를 공개한 연구가 구매 질문을 더 잘 만든다.

네 번째는 미디어 가시성과 WRC 2026이다. 지정 기간·매체의 적격 기사 수는 완결 집계되지 않아 세 회사 모두 미측정이다. 공식 참가사 디렉터리는 Galbot C104, Galaxea C210, X Square C107을 확인하지만 세 회사의 프로그램 참여는 미검증이다. 방문 당일 디렉터리와 현장 표지를 다시 확인해야 한다 ^[15].

다섯 번째는 시뮬레이션의 범위다. SimFoundry는 실제 영상에서 시뮬레이션 장면과 변형을 생성하고 정책 평가와 데이터 생성의 상관을 높이는 가능성을 보여 주지만, 현재 증거는 제한된 조작 과제와 평면 지지 환경에 집중한다 ^[11]. 이동형 로봇의 여러 층, 문턱, 엘리베이터, 사람 흐름까지 자동으로 신뢰성 있게 재구성한다고 가정할 수 없다.

기존 서베이와의 연결

4장의 휴머노이드·4족 비교는 몸체 자체의 운동, 생산, 생태계를 물었다. 이 장은 범용 몸체의 가치를 더 좁은 운영 단위로 시험한다. 다리가 없어도 인간형 상체와 바퀴 베이스가 충분한 작업이 많고, 바퀴는 에너지와 안정성에서 유리할 수 있다. 반대로 계단과 거친 지형이 필수라면 이동형 조작기의 단순성이 사라진다.

연구 계보에서 과업·동작 계획은 기호 목표와 연속 궤적을 연결했고, 원격조작과 모방학습은 사람이 해결한 전신 행동을 데이터로 바꿨다. 최근 기반모델은 고수준 임무 해석과 기술 선택을 확장한다. 그러나 공장에서는 실행 가능성, 접촉, 정지, 사람 권한이 여전히 명시적 계층으로 남아야 한다. 모델의 언어 능력이 베이스 도킹 공차나 양팔 힘 균형을 대신하지 않는다.

다음에 배울 것

이동형 조작은 범용 작업을 약속하지만, 공장의 생산성 기준선은 여전히 고정형 산업용 팔과 협동로봇이 만든다. 6장에서는 움직임의 범위를 줄이는 대신 반복정밀도, 속도, 안전 인증, 통합 도구, 유지보수 성숙도를 높인 플랫폼을 본다. 이동형 로봇의 가치도 이 기준선보다 나은 유연성 또는 더 낮은 재배치 비용을 보여야 한다.

6장을 읽을 때 세 가지를 이어서 비교하자. 첫째, 베이스 이동이 정말 필요한가 아니면 지그·컨베이어·고정 팔로 과업을 단순화할 수 있는가. 둘째, 사람 공유 공간의 안전과 힘 제한을 어떻게 검증하는가. 셋째, 범용 모델의 재학습 비용이 전통적 티칭과 공정 설계 비용보다 낮은가. 이동형 조작의 승부는 더 많은 자유도가 아니라, 자유도가 만든 변동을 생산성으로 바꾸는 능력에 있다.

참고문헌

1. Galbot (2026a). Galbot official overview. Official company website.
2. Galbot (2026b). Galbot G1 specification. Official product website.
3. Galaxea Dynamics (2026a). Galaxea official profile. Official company website.
4. Galaxea Dynamics (2026b). Galaxea R1 product documentation. Official product documentation.
5. Galaxea Dynamics (2026c). Galaxea developer documentation. Official SDK and ROS documentation.
6. X Square Robot (2026a). X Square Robot and WALL-A. Official company website.
7. X Square Robot (2026b). Quanta X1 Pro specification. Official product website.
8. Fu, Z., Zhao, T. Z., and Finn, C. (2024). Mobile ALOHA: Learning Bimanual Mobile Manipulation with Low-Cost Whole-Body Teleoperation. arXiv:2401.02117.
9. Shah, R. et al. (2024). BUMBLE: Unifying Reasoning and Acting with Vision-Language Models for Building-Wide Mobile Manipulation. arXiv:2410.06237.
10. Ahn, M. et al. (2024). AutoRT: Embodied Foundation Models for Large Scale Orchestration of Robotic Agents. arXiv:2401.12963.
11. Ranawaka, N. et al. (2026). SimFoundry: Modular and Automated Scene Generation for Policy Learning and Evaluation. arXiv:2606.28276. #85
12. Mandlekar, A. et al. (2023). Human-in-the-Loop Task and Motion Planning for Imitation Learning. CoRL 2023.
13. Qin, Y. et al. (2023). AnyTeleop: A General Vision-Based Dexterous Robot Arm-Hand Teleoperation System. RSS 2023. DOI: 10.15607/RSS.2023.XIX.015.
14. Handa, A. et al. (2020). DexPilot: Vision-Based Teleoperation of Dexterous Robotic Hand-Arm System. ICRA 2020, arXiv:1910.03135.
15. World Robot Conference (2026). World Robot Conference official website. Official organizer source.
16. John Schulman et al. (2014). Motion Planning with Sequential Convex Optimization and Convex Collision Checking. DOI:10.1177/0278364914528132.
17. Michael Posa et al. (2014). Planning Through Contact: A Unifying Approach to Manipulation. DOI:10.1177/0278364913506757.
18. Ioan A. Șucan et al. (2012). The Open Motion Planning Library. DOI:10.1109/mra.2012.2205651.
19. Sertac Karaman et al. (2011). Sampling-Based Algorithms for Optimal Motion Planning. DOI:10.1177/0278364911406761.
20. Mrinal Kalakrishnan et al. (2011). STOMP: Stochastic Trajectory Optimization for Motion Planning. DOI:10.1109/icra.2011.5980280.
21. Leslie Pack Kaelbling et al. (2011). Task and Motion Planning in the Now. DOI:10.1109/icra.2011.5980391.
22. Rosen Diankov (2010). OpenRAVE: A Planning Architecture for Autonomous Robotics. Carnegie Mellon University PhD thesis.
23. Nathan Ratliff et al. (2009). CHOMP: Gradient Optimization Techniques for Efficient Motion Planning. DOI:10.1109/robot.2009.5152817.
24. Dmitry Berenson et al. (2009). Manipulation Planning on Constraint Manifolds. DOI:10.1109/robot.2009.5152399.
25. Peter F. Hokayem et al. (2006). A Survey of Bilateral Teleoperation and Telepresence. DOI:10.1017/s0263574705002053.
26. James J. Kuffner et al. (2000). RRT-Connect: An Efficient Approach to Single-Query Path Planning. DOI:10.1109/robot.2000.844730.
27. Steven M. LaValle (1998). Rapidly-Exploring Random Trees: A New Tool for Path Planning. Iowa State University technical report.
28. Lydia E. Kavraki et al. (1996). Probabilistic Roadmaps for Path Planning in High-Dimensional Configuration Spaces. DOI:10.1109/70.508439.
29. Dale A. Lawrence (1993). Stability and Transparency in Bilateral Teleoperation. DOI:10.1109/70.258054.
30. Günter Niemeyer et al. (1991). Stable Adaptive Teleoperation. DOI:10.1109/48.64895.
31. Rodney A. Brooks (1986). A Robust Layered Control System for a Mobile Robot. DOI:10.1109/jra.1986.1087032.