Chapter 6: 산업용 팔·협동로봇 — 생산성의 기준

개요

이 장의 질문은 “어느 로봇 팔이 가장 지능적인가?”가 아니다. 더 유용한 질문은 학습 기반 로봇이 기존 산업 자동화의 측정 가능한 생산성, 정밀도, 안전성, 가동률을 어떻게 넘으면서도 그 기준을 잃지 않을 수 있는가이다. 전시회에서 처음 보는 부품을 한 번 집는 장면은 인상적이다. 그러나 공장은 같은 부품을 같은 공정 시간 안에 수천 번 다루고, 이상 상태를 안전하게 멈추며, 다음 교대조가 재현할 수 있어야 한다.

이 장의 논지는 산업용 로봇이 과거의 비교 대상에 그치지 않는다는 것이다. 산업용 팔, 협동로봇, 3D 비전, 힘 제어, 안전 PLC, 지그, 툴링, 시스템 통합은 학습 로봇이 통과해야 할 생산 기준선을 구성한다. VLA가 작업 선택과 일반화를 넓힐 수 있어도, 반복정밀도, 접촉 안정성, 정지 거리, 보호 정지, 사이클 타임, 수리 시간의 책임을 대신 맡지는 않는다. 따라서 “전통 자동화에서 VLA로”의 전환은 기존 제어 계층을 버리는 교체가 아니라, 검증된 계층 위에 불확실성을 제한적으로 올리는 통합 문제다.

이 장의 심층 프로필은 Flexiv, ROKAE, Mech-Mind Robotics 세 곳으로 고정한다 ^{[1] [4] [8]}. 이 선택은 절대 순위가 아니다. Flexiv는 전신 힘 감지와 적응형 팔, ROKAE는 협동형과 전통 산업용 팔을 함께 제공하는 제품군, Mech-Mind는 팔에 시각과 경로 계획을 공급하는 “눈-뇌” 계층을 보여 준다. 서로 다른 셀 역할을 같은 증거 규칙으로 비교하기 위한 선택이다.

이 장을 읽고 나면… - 정확도와 반복정밀도를 구분하고, 제조 공정의 전체 오차 예산을 작성할 수 있다. - 위치 제어, 하이브리드 위치/힘 제어, 임피던스 제어가 접촉 작업에서 맡는 역할을 설명할 수 있다. - Flexiv, ROKAE, Mech-Mind를 제품, 기술, 재무·현장 견인력, 성숙도, 개발 생태계, 미디어와 WRC 근거로 비교할 수 있다. - 데모, 파일럿, 고객 인수, 반복 배치, 출하와 생산능력을 서로 다른 증거로 판독할 수 있다. - 안전 표준, 가동률, 개입, 유지보수, ROI를 포함한 제조 셀 검증 계획을 설계할 수 있다.

6.1 기준선은 ‘팔’이 아니라 닫힌 생산 셀이다

전통 자동화의 강점은 자유도가 적어서가 아니라 불확실성의 소유자가 명확하다는 데 있다. 부품 위치는 피더와 지그가 제한하고, 팔은 정해진 궤적을 반복하며, 공정 PLC는 인터록을 관리하고, 안전 장치는 사람과 위험원을 분리한다. 검사 장치는 양품과 불량을 정의하고, MES는 생산 이력을 남긴다. 이 구조는 유연하지 않을 수 있지만 실패가 어디에서 시작했는지 추적하기 쉽다.

학습 기반 로봇은 이 닫힌 구조에 더 넓은 입력 분포를 들인다. 카메라가 무작위 적재 부품을 찾고, 모델이 작업을 선택하며, 정책이 작은 편차를 보정한다. 그 순간 셀의 성공은 모델 정확도만으로 결정되지 않는다. 조명 변화, 카메라 외부 파라미터, 그리퍼 마모, 부품 공차, 팔의 열 드리프트, 네트워크 지연, 안전 스캐너 상태가 같은 결과에 합쳐진다. 일반화가 커질수록 계측과 실패 분류가 더 중요해지는 이유다.

표준화된 로봇 성능 시험, 시스템 수준 안전 통합, 고전적 힘 제어는 여전히 생산 기준선이다 ^{[11] [12] [13] [14]}. ISO 9283은 자세 정확도와 반복정밀도 같은 항목의 시험 언어를 제공한다. ISO 10218-2:2011은 팔 단품이 아니라 통합된 로봇 시스템과 셀의 책임을 다룬다. 다만 이 판은 2025년 판으로 대체되었으므로 실제 인증과 법규 판단에는 적용 지역과 최신 판을 다시 확인해야 한다. 고전 논문은 접촉 방향을 힘과 위치 하위 공간으로 나누고, 원하는 질량-스프링-댐퍼 관계로 접촉 거동을 설계하는 개념적 기반을 제공한다.

기준선은 “기존 로봇의 숫자” 한 개가 아니다. 셀 인수 시험에서 정의한 작업 성공, 불량률, 시간당 양품, 사람이 개입하지 않은 연속 운전 시간, 위험 상태의 정지, 고장 후 평균 복구 시간이 합쳐진 운영 계약이다. 새로운 모델은 이 계약의 일부 지표를 개선할 수 있지만 계약 자체를 삭제할 수 없다.

6.2 정밀도, 반복정밀도, 힘 제어를 같은 숫자로 읽지 않기

정확도는 명령한 위치와 실제 위치의 차이다. 반복정밀도는 같은 조건에서 같은 명령을 여러 번 수행했을 때 결과가 얼마나 모이는지다. 반복정밀도가 좋은 팔도 절대 위치가 치우칠 수 있고, 보정으로 정확도를 개선해도 온도와 하중이 바뀌면 오차가 돌아올 수 있다. 따라서 카탈로그의 “±0.03 mm”는 공정 전체의 ±0.03 mm를 뜻하지 않는다.

공정 오차 예산에는 로봇 자세, 베이스 설치, TCP 캘리브레이션, 공구 처짐, 카메라 내·외부 파라미터, 부품 형상 추정, 지그 공차, 열 변화, 접촉 변형이 들어간다. 항목들이 독립적이지 않으므로 단순 합이나 제곱합만으로 끝낼 수도 없다. 예를 들어 카메라가 팔에 달려 있으면 관절 자세와 케이블 응력이 외부 파라미터 오차를 바꾼다. 긴 리치에서 무거운 공구를 들면 구조 처짐과 힘 센서 오프셋이 함께 변한다.

힘 감지 정확도와 힘 제어 정확도도 다르다. 센서 분해능이나 정확도는 입력을 얼마나 잘 측정하는지 말한다. 실제 접촉력을 목표 근처에 유지하는 능력은 센서 위치, 관절 마찰, 제어 주기, 통신 지연, 환경 강성, 접촉 형상, 필터까지 포함한다. 0.1 N 감지 정확도가 있다고 해서 모든 표면에서 0.1 N 힘 오차로 연마한다는 뜻은 아니다.

하이브리드 위치/힘 제어는 구속 표면의 법선 방향 힘을 조절하면서 접선 방향 위치를 이동하는 식으로 작업 좌표계를 나눈다 ^[13]. 임피던스 제어는 힘 하나를 직접 맞추기보다 운동과 힘의 동적 관계를 만든다 ^[14]. 전자는 올바른 구속 프레임이 필요하고, 후자는 액추에이터·센서·지연·환경 강성의 한계 안에서만 원하는 거동을 구현한다. 학습 정책이 접촉 목표를 제안해도 이 안정성 조건은 사라지지 않는다.

6.3 심층 프로필 1 — Flexiv

한국어 표기는 플렉시브, 영어 브랜드는 Flexiv, 중국어 브랜드는 非夕科技다. 공식 연혁은 2016년 설립과 적응형 로봇 연구·사업화 시작을 기록한다 ^[1]. 공식 연락처는 상하이 법인과 산호세 법인을 함께 제시하므로 이 장은 “2016년 설립, 상하이와 산호세의 이중 운영 거점”으로 기록한다. 어느 한 곳을 단일 법적 본사라고 단정할 독립 기업등기 근거는 현재 증거 묶음에 없다.

대표 제품은 7축 Rizon 4와 Rizon 10, 힘·토크 센서를 더한 변형, 병렬 로봇 Moonlight, 2026년에 공개된 전신 감지형 Enlight와 모듈형 양팔 MICO다 ^{[1] [2]}. 이 장의 핵심은 Rizon 계열이다. 제품 페이지는 모든 변형에 7자유도와 ISO 9283 기준 ±0.05 mm 자세 반복정밀도를 제시하고, Rizon 4 계열은 4 kg, Rizon 10 계열은 10 kg 가반하중을 제시한다.

Flexiv의 성능 수치는 Rizon 변형에 따라 달라지므로 정확한 모델명을 유지해야 한다 ^[2]. 공식 표에서 Rizon 4의 힘 감지 정확도는 0.1 N, 외부 F/T 센서형은 0.03 N이고, Rizon 10 계열은 0.2 N으로 제시된다. 리치와 중량도 변형별로 다르다. 이 수치는 발행사 사양이며 공통 독립 벤치마크가 아니다. “Flexiv는 0.03 N”처럼 최상 변형의 수치를 제품군 전체에 붙이면 비교가 왜곡된다.

기술적 강점은 관절 수준 힘 감지, 토크 기반 제어, 7축 여유 자유도, 힘·위치 작업 기본 요소를 한 플랫폼에 묶는 데 있다. 7축은 장애물 회피와 힘 제어 자세 유지에 유리하지만, 여유 자유도는 해가 하나가 아니라는 뜻이기도 하다. 자세 선택, 특이점, 케이블, 공구, 충돌 조건을 계획기가 관리해야 한다. 연마, 정밀 삽입, 힘 기반 검사처럼 접촉 상태가 핵심인 작업에서 제품 정체성이 분명하다.

개발 생태계는 비교적 구체적이다. Flexiv IDE와 RDK는 C++와 Python, 실시간 상태·제어, 고수준 작업 기본 요소를 제공한다고 공식 문서가 설명한다. RDK에는 ROS 2 패키지가 포함되고, 공식 연혁은 2022년 RDK와 ROS 2 드라이버 출시를 기록한다 ^{[1] [3]}. 현행 공식 RDK 페이지는 ROS 1과 ROS 2 패키지를 모두 제공한다고 밝히고, IDE 페이지는 모든 RDK 설치에 ROS 2 패키지가 포함된다고 설명한다 ^[3]. 실제 구매에서는 지원 배포판, 실시간 커널, API 안정성, 안전 권한 경계를 버전별로 확인해야 한다. 공식 NVIDIA Isaac Sim·Isaac Lab 자산과 검증된 버전 행렬은 현재 증거에서 확인되지 않았다.

재무·견인력은 발행사 공개 범위가 제한적이다. 공식 연혁은 2020년 1억 달러 초과 Series B, 2022년 약 1억 달러 Series B+, 2025년 금액 미공개 Series C 완료를 기록한다 ^[1]. 같은 연혁은 2020년 100번째 적응형 로봇 생산을 적지만, 이것을 2026년 누적 출하나 활성 설치 기반으로 외삽할 수 없다. 매출, 수익성, 최근 누적 생산·출하, 고객별 가동률은 미공개 또는 미검증이다.

성숙도는 “상용 제품, 제어기, 개발 키트, 인증 표시와 생산 이력이 있는 산업 플랫폼”으로 평가한다. 그러나 독립적인 다교대 가동률, 평균 고장 간 시간, 평균 수리 시간, 부품 공급 SLA, 실제 공정 ROI는 확인되지 않았다. CE와 ETL 표시는 제품 적합성에 대한 근거이지 완성 셀의 안전 승인이 아니다. 통합자는 공구와 애플리케이션을 포함해 다시 위험성 평가를 해야 한다.

공식 제품 사진은 Rizon 한 변형의 팔, 공구와 접촉 표면을 함께 보여 주어야 한다. 아래 사진은 Flexiv가 Rizon 4s 출시 섹션에 배치한 실제 시연 장면이다. 한 장면은 형태와 공구-작업물 관계를 설명할 뿐 장기 힘 추종이나 생산 가동률의 증거가 아니다.

6.4 심층 프로필 2 — ROKAE

한국어 표기는 로케, 영어 브랜드는 ROKAE, 중국어 브랜드는 珞石机器人이다. 현행 공식 사이트와 HKEX 공시의 법인은 ROKAE (Shandong) Robotics Group Inc.(珞石(山东)机器人集团股份有限公司)이며, 공식 자료는 2015년 설립과 산둥 본사·공장을 확인한다 ^[5]. 베이징은 연구개발 거점/지사이지 현행 공식 본사 표기가 아니다. 제조 기지는 산둥에 있으며, 공식 사이트는 연간 5만 대 생산능력을 주장한다. 생산능력은 실제 연간 생산이나 출하가 아니다.

제품군은 협동형 xMate CR·SR·ER 계열과 NB·XB 산업용 팔, 지능형 용접 로봇, 이동형·양팔·휴머노이드 계열까지 넓다 ^[5]. 이 폭은 한 공급자가 소형 협동 작업과 고가반 산업 셀을 모두 제안할 수 있음을 뜻한다. 반면 서로 다른 제어기, 안전 기능, 소프트웨어 버전, 서비스 부품을 “ROKAE 로봇” 하나로 묶으면 실사에 실패한다. 모델별 정격 가반하중, 리치, 반복정밀도, 장착 방향, 보호 등급, 인증 범위를 따로 고정해야 한다.

ROKAE는 xMate ER3에 대해 ±0.03 mm 반복정밀도와 0.5 N 힘 제어 정확도를 제시한다 ^[4]. 이는 발행사 사양이며 시험 절차와 조건을 함께 보지 않으면 다른 공급자 수치와 직접 비교할 수 없다. 반복정밀도의 하중, 자세, 속도, 예열 조건과 힘 제어 정확도의 센서 위치, 표면 강성, 목표 힘, 필터, 정상상태·과도상태 정의를 받아야 한다. “0.5 N”이 힘 감지, 정상상태 추종, 최대 오버슈트 중 무엇인지도 인수 시험에서 고정해야 한다.

기술 포지션은 자체 xCore 제어, 동역학 모델, 힘 제어, 협동 안전 기능, 폭넓은 산업 적용에 있다. 공식 SR 자료는 드래그 교시, 그래픽 인터페이스, 실시간 2차 개발 인터페이스, Modbus·PROFINET·CC-Link, 오프라인 시뮬레이션을 설명한다 ^[6]. 통합자에게는 화려한 AI 문구보다 I/O, 필드버스, 알람 코드, 백업·복원, 컨트롤러 교체 절차가 더 직접적인 생산 자산이다.

개발자 문서는 SDK, xCore, 플러그인, ROS 2 패키지, RobotAssist를 공개적으로 구분한다 ^[7]. SDK는 C++ 등을 통한 외부 제어, ROS 2 문서는 xMate 사용 경로를 제공한다. 이것은 외부 통합 표면이 있음을 확인하지만 모든 제품군이 같은 기능과 주기로 지원된다는 뜻은 아니다. 공식 ROS 1 지원과 NVIDIA Isaac Sim·Isaac Lab 검증은 현재 증거에서 확인되지 않았다. 실제 통합 전에는 모델·제어기 펌웨어·OS·ROS 배포판의 호환 행렬과 지원 종료 정책이 필요하다.

현행 About 페이지는 20개국 이상 운영, 600개 이상 R&D 특허·기술상, 연간 5만 대 생산능력을 제시하고, 홈페이지는 800개 이상 산업 시나리오를 제시한다 ^[5]. 별도 공식 기사에서 제시한 40개국 이상·누적 납품 4만 대 이상은 해당 기사 날짜와 함께 별도 근거로 인용해야 한다. 생산능력, 누적 납품, 활성 설치는 서로 다른 단위다. 이 숫자들은 발행사 정의이며 감사를 거친 활성 고객, 설치 대수, 유료 생산 셀, 연간 출하량과 동의어가 아니다. HKEX 원문은 珞石(山东)机器人集团股份有限公司가 2026년 7월 9일 종목코드 3752로 상장됐음을 확인한다. 공모가는 주당 HK$38.00, 공모 신주 23,031,900주, 초과배정 전 순조달액은 HK$810.5 million으로 공시됐다. 매출·손익·출하를 사용할 때는 2026년 6월 30일 투자설명서의 정의와 기간을 직접 인용해야 한다.

성숙도는 협동형과 산업형 제품군, 공장, 서비스, 개발 문서가 존재하는 상용 공급자로 평가한다. 강점은 제품 폭과 통합자 친화적 인터페이스다. 한계는 모델군이 넓을수록 비교 기준과 버전 관리가 복잡해지고, 발행사 규모 주장을 공정 가동률로 변환할 공개 분모가 부족하다는 점이다. 안전성은 협동로봇이라는 이름만으로 확보되지 않는다. 공구의 날카로운 모서리, 부품 질량, 고정물, 접근 속도, 끼임 공간이 전체 셀 위험을 결정한다.

공식 제품 사진은 ER3의 정확한 명판과 공구, 또는 산업용 팔이 실제 셀에서 작업하는 맥락을 보여 주어야 한다. 아래 공식 적용 사진은 여러 xMate 팔과 공구·고정구의 밀집 관계를 드러낸다. 그러나 사진만으로 정확한 모델, 안전 기능, 힘 제어 오차 또는 양산 성능을 확정할 수는 없다.

6.5 심층 프로필 3 — Mech-Mind Robotics

한국어 표기는 메크마인드 로보틱스, 영어 브랜드는 Mech-Mind Robotics, 중국어 브랜드는 梅卡曼德机器人이다. 공식 회사 소개는 2016년 설립을 밝히고 베이징, 상하이를 포함한 여러 글로벌 주소를 제공한다 ^[8]. 베이징 주소와 회사 기원을 근거로 “2016년 설립, 베이징 기반”으로 기록하되, 지주사와 지역 법인을 모두 포괄하는 단일 법적 본사 구조는 부분 확인 상태로 둔다.

Mech-Mind는 비교상의 예외다. 주력은 범용 로봇 팔이 아니라 Mech-Eye 산업용 3D 카메라와 레이저 프로파일러, Mech-Vision 머신 비전, Mech-Viz 로봇 프로그래밍·경로 계획, Mech-DLK 딥러닝, Mech-MSR 검사, 그리고 이들을 결합한 Mech-Station이다 ^{[8] [9]}. 따라서 팔의 가반하중이나 반복정밀도를 회사 고유 수치로 채우는 것은 잘못이다. 그 값은 결합되는 제3자 팔과 공구가 결정하며 이 프로필에서는 “해당 없음/셀별 확인”으로 남긴다.

기술적 핵심은 3D 포인트클라우드 생성, 물체 인식과 자세 추정, 그립 후보, 충돌 회피 경로, 로봇 통신을 하나의 배치 흐름으로 묶는 것이다. 무작위 빈 피킹, 디팔레타이징, 머신 텐딩, 위치 결정과 조립, 인라인 측정이 대표 적용이다. 이 계층은 고정 지그 비용을 줄이고 변형 대응을 넓힐 수 있다. 그러나 시각으로 관측되지 않는 접촉력과 공구 상태, 반사·투명·검은 표면의 잔여 실패, 팔의 실시간 제어까지 자동으로 해결하지 않는다.

Mech-Mind는 전 세계 설치 카메라 27,000대 이상과 약 50개 국가·지역을 보고한다 ^[8]. 같은 페이지는 Fortune Global 500 고객 100곳 이상과 미화 3억 달러 자금 조달도 발행사 수치로 제시한다. 이 규모는 감사된 로봇 배치 대수가 아니다. 카메라 한 대는 완성 셀 한 대나 활성 유료 고객 한 곳과 같지 않고, 설치 누계는 현재 가동 수와 다르다. 국가 수 역시 서비스 깊이, SLA, 현지 부품 재고를 알려 주지 않는다.

개발 생태계는 팔 제조사와 다른 방식으로 열린다. 공식 다운로드 센터는 Windows, Ubuntu x86_64, Ubuntu arm64용 Mech-Eye SDK, API, 샘플, 오프라인 문서를 제공한다 ^[10]. 제품 포털과 문서는 여러 로봇 브랜드 통합을 중심에 둔다. 공개 ROS 패키지의 현재 공식 지원 범위와 NVIDIA Isaac Sim·Isaac Lab용 공식 자산·검증 행렬은 확보 증거에서 확인되지 않았다. “API가 있다”와 “실시간 안전 제어가 열린다”도 구분해야 한다. Mech-Mind의 출력은 보통 자세와 경로 계층이며 최종 서보와 안전 권한은 팔 제어기와 셀 안전 시스템에 남는다.

성숙도는 세 프로필 가운데 물리적으로 다른 척도를 사용해야 한다. 카메라 설치 누계와 소프트웨어 제품군은 상용화와 통합 경험의 강한 발행사 신호다. 반면 고객별 작업 성공률, 조명·부품 분포별 실패, 개입 없는 시간, 통합에 걸린 공수, 반복 판매율, 감사 재무는 미공개다. ROI를 주장하려면 카메라 판매 수가 아니라 해당 셀의 작업자 시간 감소, 지그 감소, 불량·재작업, 다운타임, 모델 재학습 비용을 계산해야 한다.

공식 제품 사진은 카메라 단독 홍보 컷보다 팔, 그리퍼, 빈과 주변 셀을 함께 보여 주는 장면이 유용하다. 아래 공식 영상 표지는 깊은 빈 속 검은 강재를 집는 실제 셀을 보여 주지만 카메라 위치는 프레임 밖이다. 이 장면은 “눈-뇌-손”의 적용 맥락을 설명할 뿐 사이클 타임이나 예외 복구의 증거가 아니다.

6.6 같은 척도로 비교하기: 서로 다른 셀 역할

세 회사를 단순 팔 순위로 놓으면 Mech-Mind의 역할을 왜곡하고, Flexiv와 ROKAE의 모델 차이도 지운다. 더 유용한 비교 단위는 “어떤 불확실성을 누가 맡는가”다. Flexiv는 접촉과 자세 편차를 팔과 힘 제어 쪽에서 흡수하려 한다. ROKAE는 협동형부터 고가반 산업형까지 팔·제어·통합 범위를 넓힌다. Mech-Mind는 물체와 장면 편차를 3D 지각과 계획으로 줄여 여러 팔에 전달한다.

이 표는 승자를 고르지 않는다. 정밀 삽입 셀은 힘 감지와 접촉 안정성을 먼저 볼 수 있다. 자동차 용접 라인은 높은 가반하중, 공급망, 서비스 인력을 더 중시한다. 무작위 빈 피킹은 지각 실패와 재그립, 충돌 없는 경로가 병목일 수 있다. 선택은 회사 점수가 아니라 공정의 가장 비싼 불확실성과 증거가 만나는 지점에서 이루어져야 한다.

6.7 안전: 협동은 제품명이 아니라 셀의 상태다

협동로봇은 울타리가 없는 로봇의 동의어가 아니다. 사람과 같은 공간을 쓰는 방식에는 안전 정격 감시 정지, 핸드 가이딩, 속도·분리 감시, 출력·힘 제한 같은 서로 다른 운전 개념이 있다. 실제 셀은 작업물의 모서리, 공구, 페이로드, 접근 방향, 끼임 지점, 정지 시간에 따라 위험이 달라진다. 팔의 힘 제한 기능이 있어도 날카로운 드라이버나 뜨거운 부품을 들면 위험원이 바뀐다.

안전 아키텍처는 학습 모델과 별도로 설명되어야 한다. VLA는 목표와 후보 동작을 낼 수 있지만 안전 PLC의 입력을 우회하거나 보호 정지를 해제할 권한을 가져서는 안 된다. 허용 공간, 속도, 힘, 공구 상태, 인간 접근 상태는 독립 계층에서 감시해야 한다. 모델이 타임아웃되거나 네트워크가 끊겨도 정의된 안전 상태로 가야 한다.

ISO 10218-2:2011은 통합자의 책임을 이해하는 역사적 기준으로 유용하지만 현재 프로젝트는 대체된 최신 판, 적용 국가 법령, 관련 협동 응용 지침을 확인해야 한다 ^[12]. 인증 로고는 위험성 평가의 시작 자료다. 최종 검증에는 비상 정지, 보호 정지, 재시작 방지, 수동 모드, 에너지 차단, 공압 잔압, 네트워크 장애, 센서 가림, 도구 탈락과 같은 시나리오가 들어가야 한다.

6.8 가동률과 ROI: 카탈로그를 생산 경제로 번역하기

가동률은 “로봇 전원이 켜진 시간”이 아니다. 주문 가능한 시간 중 양품을 만들 수 있었던 시간을 측정해야 한다. 계획 정지, 고장, 미세 정지, 모델 재시작, 카메라 재보정, 빈 교환 대기, 인간 승인 대기를 분리하면 개선 책임자가 보인다. 하나의 평균만 보고하면 팔은 정상인데 지각 재시도가 사이클을 삼키는 상황을 놓친다.

OEE의 가용성·성능·품질 구조는 출발점이지만 학습 셀에는 새 분모가 필요하다. 분포 밖 입력 거부율, 자동 복구율, 원격·현장 개입 분, 모델 버전별 성공률, 안전 정지의 진양성·오탐, 캘리브레이션 수명을 함께 기록해야 한다. 모델 업데이트 후 성공률이 오르면서 사이클 타임이나 보호 정지가 나빠질 수도 있다.

ROI는 인건비 절감만이 아니다. 초기 비용에는 팔, 카메라, 그리퍼, 제어반, 지그, 안전 장치, 통합 공수, 데이터 수집, 모델 튜닝, 공장 인수 시험이 포함된다. 운영 비용에는 전력, 소모품, 예비 부품, 지원 계약, 라벨링, 재학습, 사이버 보안, 정지 손실이 들어간다. 이익에는 작업자 시간, 생산량, 품질, 재작업, 산업재해 위험, 제품 전환 시간, 바닥 면적 변화가 포함될 수 있다.

간단한 회수기간 계산도 분모를 보수적으로 잡아야 한다. 연간 순편익은 “시간당 이론 생산량 × 판매 마진”이 아니라 실제 양품 증가와 검증된 노동 재배치에서 정지·유지 비용을 뺀 값이다. 파일럿을 위해 배치된 상주 엔지니어가 숨겨져 있으면 노동 절감은 과대평가된다. 발행사 카메라 설치 수나 공장 생산능력은 구매자의 ROI 입력이 아니다.

6.9 결정론적 자동화에서 VLA까지: 권한을 단계적으로 올리기

VLA 연구는 시각과 언어를 행동 토큰에 연결해 새로운 객체와 명령으로 일반화를 넓힐 가능성을 보였다. RT-1은 대규모 실제 로봇 데이터의 폐루프 정책을, RT-2는 웹 지식을 로봇 행동과 공동 학습하는 방식을 제시했다 ^{[15] [16]}. 그러나 논문의 행동 주기와 성공률은 산업 서보, 안전 권한, 특정 공급자의 2026년 배치를 증명하지 않는다.

가장 안전한 도입 경로는 권한 사다리다. 첫 단계에서 모델은 작업 설명을 구조화하고 사람이 승인한다. 다음 단계에서는 검증된 스킬 중 하나를 선택한다. 그다음에는 제한된 매개변수와 후보 자세를 제안한다. 마지막에야 잘 정의된 공간과 속도 안에서 연속 동작을 낸다. 각 단계는 독립적인 충돌 검사, 궤적 생성, 제어기 한계, 안전 시스템 아래에 남는다.

Code as Policies는 언어 모델이 명시된 지각·제어 API를 조합하는 접근을 보여 준다 ^[17]. 여기서 산업적 교훈은 “코드가 생성된다”가 아니라 API 계약이 행동 범위를 제한한다는 점이다. API가 잘못된 좌표를 반환하거나 긴 프로그램이 실패하면 전체 정책이 깨질 수 있다. 따라서 형식 검증, 샌드박스, 시간 제한, 상태 확인, 롤백이 필요하다.

경로와 제어 사이에도 검증 계층이 있다. TRAC-IK는 관절 한계가 있는 역기구학의 실용적 해법을 제공하지만 충돌과 전역 완전성을 보장하지 않는다 ^[18]. TOPP-RA는 고정 경로에 시간 파라미터를 부여하고, Ruckig는 jerk 제한 온라인 궤적을 생성한다 ^{[19] [20]}. 이들은 모델이 낸 웨이포인트를 실행 가능한 운동으로 바꾸는 도구이지 접촉 안전을 자동 보증하는 도구가 아니다.

ROS의 제어 추상화는 하드웨어 인터페이스와 재사용 가능한 제어기를 나누고 자원 소유권을 명시하는 계보를 제공한다 ^[21]. Flexiv와 ROKAE의 SDK·ROS 지원을 평가할 때도 “메시지를 보낼 수 있다”보다 누가 어떤 모드에서 관절·토크·I/O 자원을 소유하는지, 컨트롤러 전환이 어떻게 검증되는지가 중요하다. Isaac 지원 여부 역시 USD 모델 파일 하나보다 센서, 관성, 접촉, 액추에이터, 지연의 검증 수준을 봐야 한다.

6.10 제조 워크스루 — 무작위 빈에서 정밀 삽입까지

가상의 전자부품 공정을 보자. 혼재된 금속 하우징이 빈에 들어오고, 로봇이 하나를 찾아 집은 뒤, 가공기 전면의 고정구에 삽입한다. 마지막에는 일정한 힘으로 눌러 착좌를 확인하고, 비전 검사를 거쳐 양품 트레이에 놓는다. 이 작업은 세 프로필의 역할을 한 셀에서 비교하기 좋다.

1단계: 공정과 위험 정의. 부품 무게, 날카로운 모서리, 끼임점, 기계 문, 작업자 보충 동선을 기록한다. 사람 접근 시 속도·분리 감시 또는 보호 정지 조건을 정하고, 비상 정지와 에너지 차단을 검증한다. 모델은 이 조건을 변경할 권한이 없다.

2단계: 기준 자동화 구성. 고정 지그와 교시점으로 가능한 부품 하나를 먼저 자동화한다. 팔의 대표 자세·하중에서 반복정밀도, 빈 픽업부터 삽입까지의 사이클, 공구 교체, 불량 검출을 측정한다. 이 기준이 없으면 학습 시스템이 실제로 개선했는지 알 수 없다.

3단계: 지각 편차 추가. Mech-Eye와 비전·계획 소프트웨어 같은 계층이 포인트클라우드, 물체 자세, 가시성, 그립 후보와 신뢰도를 낸다. 반사, 검은 표면, 겹침, 빈 벽, 진동, 조명 조건을 조합한 시험 세트를 만든다. “검출됨”이 아니라 올바른 물체·자세·그립·충돌 없는 인출까지 성공 분모를 정의한다.

4단계: 팔과 공구 선택. 접촉 삽입이 핵심이면 Flexiv Rizon의 정확한 변형 또는 ROKAE xMate의 정확한 모델을 공구 질량, 리치, 힘 모드와 함께 선정한다. 카탈로그 가반하중에 케이블과 커넥터 질량을 포함하고, 최대 리치와 대표 온도에서 처짐을 측정한다. Mech-Mind를 선택하더라도 팔 사양과 안전 책임은 별도 계약이다.

5단계: 좌표와 시간 캘리브레이션. 베이스-팔, 플랜지-TCP, 카메라-로봇, 지그-작업물 변환을 버전 관리한다. 시간 동기와 카메라 노출도 기록한다. 기준 물체로 재투영 오차와 실제 TCP 오차를 함께 측정한다. 한 값이 임계치를 넘으면 생산을 막고 재보정을 요구한다.

6단계: 계획과 실행 분리. 지각 시스템이나 VLA는 물체와 후보 행동을 제안한다. 결정론적 계획기는 충돌, 관절 한계, 공구 방향, 인출 통로를 확인한다. 궤적 계층은 속도·가속도·jerk 제한을 적용한다. 팔 제어기는 접촉 전까지 위치 제어를 수행하고, 탐색·삽입 구간에서 검증된 힘 또는 임피던스 모드로 전환한다.

7단계: 힘과 품질 판정. 삽입 성공은 최종 자세만으로 판단하지 않는다. 최대 힘, 힘-변위 곡선, 착좌 깊이, 체결 상태, 표면 손상을 함께 본다. 센서 오프셋과 공구 마모를 교대별로 점검한다. 힘이 비정상적이면 무한 재시도하지 않고 후퇴, 재관측, 한정 재시도, 인간 개입 순서를 따른다.

8단계: 실패와 복구 시험. 부품을 일부 가리고, 잘못된 부품을 넣고, 카메라를 오염시키고, 네트워크를 끊고, 공구가 닳은 상태를 만든다. 시스템이 안전하게 멈추고 원인을 분류하는지 본다. 복구 후 첫 부품은 검사 강화 모드로 보내며, 자동 복구와 사람이 리셋한 경우를 별도 기록한다.

9단계: 생산 인수. 최소 여러 부품 배치와 교대에 걸쳐 시간당 양품, 무개입 시간, 오검출, 충돌 근접, 접촉 불량, MTTR, 안전 정지를 기록한다. 공급자의 상주 지원 시간을 별도 인건비로 계산한다. 모델·펌웨어·SDK 버전을 고정한 뒤 변경 시 회귀 시험 범위를 계약한다.

10단계: 확장 결정. 파일럿 한 셀이 목표를 통과해도 즉시 공장 전체로 복제하지 않는다. 두 번째 셀에서 다른 작업자와 통합자가 같은 절차로 결과를 재현하는지 확인한다. 예비 부품, 원격 지원, 보안 패치, 카메라·팔 교체 캘리브레이션 시간을 포함한 총소유비용을 갱신한다.

Manufacturing Cell Checkpoint

이 셀의 통과 조건 예시는 다음과 같다. 첫째, 명시된 부품·조명·온도 범위에서 시간당 양품 목표와 품질 하한을 동시에 만족한다. 둘째, 연속 운전 중 사람·원격 개입 시간과 원인이 허용치 아래다. 셋째, 모든 안전 시나리오에서 독립 안전 계층이 모델 상태와 무관하게 작동한다. 넷째, 카메라·공구·팔 제어기 교체 후 문서화된 시간 안에 복구한다. 다섯째, 두 번째 통합자가 같은 인수 절차를 재현한다.

6.11 데모, 파일럿, 생산, 출하를 분리하는 증거 사다리

데모는 물리적으로 가능함을 보여 준다. 파일럿은 특정 현장에서 제한된 기간 작동했음을 보여 준다. 고객 인수는 합의한 조건을 통과했음을 보여 준다. 반복 배치는 다른 셀이나 고객에서도 재현되었음을 보여 준다. 출하는 제품이 전달되었음을 보여 줄 뿐 활성 가동, 양품 생산, 재구매를 직접 말하지 않는다. 생산능력은 더 약한 상한이다. 만들 수 있는 수와 실제 만든 수가 다르기 때문이다.

공급자 비교 표에는 증거 유형과 날짜를 함께 적어야 한다. “27,000대 설치”는 Mech-Mind의 카메라 누계라는 단위를 유지한다. “연 5만 대”는 ROKAE가 제시한 공장 생산능력이다. “100번째 로봇”은 Flexiv의 2020년 이정표다. 세 숫자를 같은 출하 열에 넣으면 모두 사실처럼 보여도 비교는 거짓이 된다.

독립 고객 사례가 있어도 선택 편향을 묻는다. 실패한 설치가 빠졌는가, 공급자 엔지니어가 계속 상주했는가, 셀 가격과 통합 공수가 포함되었는가, 동일 고객의 여러 카메라가 여러 배치로 계산되었는가를 확인한다. 공개되지 않은 값은 추정치로 메우지 않고 미공개 또는 미검증으로 남기는 편이 의사결정에 더 정직하다.

이 사다리는 중간 단계를 건너뛰지 않는 인수 규칙이다. 카탈로그 사양→통제된 시험→현장 파일럿→고객 인수→반복 배치→지속 운영의 각 단을 같은 모델·버전·분모로 통과해야 합니다. 하위 단계의 증거는 상위 단계의 가능성을 보여 줄 뿐, 생산 인수나 장기 가동을 대신하지 않습니다.

6.12 한계와 열린 질문

이 장은 세 회사의 공식 사이트와 확보된 1차 연구·표준을 중심으로 썼다. 회사 자료는 제품 범위와 발행사 주장을 확인하는 데 유용하지만 독립 감사가 아니다. 숫자의 시험 장비, 샘플 수, 환경, 고객 계약, 회계 정의가 공개되지 않은 경우가 많다. 동일 명칭의 웹 페이지도 갱신될 수 있으므로 구매 시점에는 데이터시트와 계약 부속서의 버전을 고정해야 한다.

미디어 코퍼스 가시성은 세 회사 모두 미측정이다. 정의된 대상 기사 전체의 완전한 수출본과 중복 제거 규칙이 없으므로 기사 수나 점유율을 만들어내지 않았다. 공식 WRC 2026 디렉터리는 A102를 저장인형로봇혁신센터(浙江人形机器人创新中心)에 배정하므로 Flexiv A102 단서는 폐기해야 한다. ROKAE 제품은 공동 테마 전시 B127에 포함된 것으로 확인되지만 독립 ROKAE A108 부스나 프로그램 참여를 뜻하지 않는다. Flexiv와 Mech-Mind의 현행 공식 부스·프로그램 기록은 확인되지 않았다. 참여하지 않았다고 단정하는 것이 아니라 “미검증”이다.

Flexiv의 변형별 사양, ROKAE ER3의 수치, Mech-Mind의 설치와 조달 규모는 모두 발행사 공개다. 공통 독립 벤치마크가 아니며 서로 다른 단위를 한 순위로 합칠 수 없다. 특히 Mech-Mind에는 자체 팔의 반복정밀도·가반하중이 없으므로 셀 파트너의 지표를 대신 써야 한다.

열린 질문은 세 가지다. 첫째, 학습 모델 업데이트를 안전 인증과 생산 변경 관리 안에서 얼마나 빠르게 할 수 있는가. 둘째, 힘·비전·언어 모델의 불확실성을 하나의 작업 실패 확률로 어떻게 보정할 것인가. 셋째, 공급자가 제공하는 SDK가 연구용 접근성을 넘어 장기 지원, 사이버 보안, 결정적 실행, 롤백까지 보장하는가. 이 질문에 공개 답이 없으면 파일럿 계약의 시험 항목으로 바꿔야 한다.

선행 서베이와의 관계

이 장은 로봇 운동학·궤적·제어를 다룬 선행 자료의 원리를 특정 중국 기업 지도에 연결한다. 역기구학, 시간 파라미터화, jerk 제한, 힘 제어, ROS 하드웨어 추상화는 공급자와 무관한 기반이다 ^{[18] [19] [20] [21]}. 반면 여기의 회사 재무, 제품, WRC, 코퍼스 평가는 그 원리로부터 추론할 수 없으며 각각 공식 증거를 요구한다.

다음에 배울 것

산업용 팔은 고정된 기준 좌표계와 잘 정의된 셀에서 가장 강하다. 다음 장은 이 기준선을 공장 통로, 창고, 병원과 같은 공유 공간으로 옮기는 AMR과 서비스 로봇을 다룬다. 팔의 ±0.05 mm 반복정밀도가 좋아도 이동 베이스가 잘못된 위치에 서거나 엘리베이터·문·사람 흐름을 처리하지 못하면 임무는 끝나지 않는다. 7장에서는 지도와 위치추정, 차량 관제, 충전, 교통 규칙, 인간 상호작용, 서비스 운영을 같은 증거 사다리로 살펴본다.

참고문헌

1. Flexiv (2026a). Flexiv Journey. 공식 회사 연혁.
2. Flexiv (2026b). Rizon. 공식 제품 사양.
3. Flexiv (2026c). Integrated Development Environment. 공식 개발자 문서.
4. ROKAE (2026a). xMate ER and certificates. 공식 제품 사양.
5. ROKAE (2026b). About ROKAE. 공식 회사 소개.
6. ROKAE (2026c). xMate SR product sheet. 공식 제품 자료.
7. ROKAE (2026d). Technical Docs and Developer Guide. 공식 SDK·ROS 문서.
8. Mech-Mind Robotics (2026a). Company Introduction. 공식 회사 소개.
9. Mech-Mind Robotics (2026b). Products and Solutions. 공식 제품 포털.
10. Mech-Mind Robotics (2026c). Download Center: Mech-Eye SDK. 공식 SDK 다운로드 센터.
11. ISO (1998). ISO 9283:1998 — Manipulating industrial robots: Performance criteria and related test methods.
12. ISO (2011). ISO 10218-2:2011 — Robot systems and integration.
13. Raibert, M. H., and Craig, J. J. (1981). Hybrid Position/Force Control of Manipulators.
14. Hogan, N. (1985). Impedance Control: An Approach to Manipulation, Part I—Theory.
15. Brohan, A. et al. (2023a). RT-1: Robotics Transformer for Real-World Control at Scale.
16. Brohan, A. et al. (2023b). RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control.
17. Liang, J. et al. (2023). Code as Policies: Language Model Programs for Embodied Control.
18. Beeson, P., and Ames, B. (2015). TRAC-IK.
19. Pham, H., and Pham, Q.-C. (2018). A New Approach to Time-Optimal Path Parameterization Based on Reachability Analysis. IEEE Transactions on Robotics, 34(3), 645–659. arXiv:1707.07239.
20. Berscheid, L., and Kröger, T. (2021). Ruckig.
21. Chitta, S. et al. (2017). ros_control.
22. Taylor Howell et al. (2022). Predictive Sampling: Real-time Behaviour Synthesis with MuJoCo. arXiv:2212.00541.
23. Saran Tunyasuvunakool et al. (2020). dm_control: Software and Tasks for Continuous Control. DOI:10.1016/j.simpa.2020.100022.
24. Stephen Tian et al. (2019). Manipulation by Feel: Touch-Based Control with Deep Predictive Models. arXiv:1903.04128.
25. Xue Bin Peng et al. (2018). Dynamics Randomization for Sim-to-Real Transfer of Reinforcement Learning Policies. DOI:10.1109/icra.2018.8460528.
26. Xue Bin Peng et al. (2018). DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills. arXiv:1804.02717.
27. Tuomas Haarnoja et al. (2018). Soft Actor-Critic: Off-Policy Maximum Entropy Deep Reinforcement Learning with a Stochastic Actor. ICML 2018.
28. Wenzhen Yuan et al. (2017). GelSight: High-Resolution Robot Tactile Sensors for Estimating Geometry and Force. DOI:10.3390/s17122762.
29. John Schulman et al. (2017). Proximal Policy Optimization Algorithms. arXiv:1707.06347.
30. Ung-Hee Kim et al. (2017). A Novel Six-Axis Force/Torque Sensor for Robotic Applications. DOI:10.1109/tmech.2016.2640194.
31. Gianluca Palli et al. (2014). Development of an Optoelectronic 6-Axis Force/Torque Sensor for Robotic Applications. DOI:10.1016/j.sna.2014.09.023.
32. Alexandre Janot et al. (2014). Identification of Robot Dynamics with the Instrumental Variable Method. DOI:10.1109/tro.2014.2319567.
33. Manuel G. Catalano et al. (2014). Adaptive Synergies for the Design and Control of the Pisa/IIT SoftHand. DOI:10.1177/0278364913518998.
34. Kober, Jens et al. (2013). Reinforcement Learning in Robotics: A Survey. DOI:10.1177/0278364913495721.
35. Emanuel Todorov et al. (2012). MuJoCo: A Physics Engine for Model-Based Control. DOI:10.1109/iros.2012.6386109.
36. Christian Ott et al. (2008). Cartesian Impedance Control of Redundant and Flexible-Joint Robots. DOI:10.1109/robot.2008.4543616.
37. Stefano Chiaverini (1997). A Closed-Loop Inverse Kinematics Scheme for Constrained Redundant Manipulators. DOI:10.1109/70.585902.
38. Carlos Canudas de Wit et al. (1995). A New Model for Control of Systems with Friction. DOI:10.1109/9.376053.
39. Brian Armstrong-Hélouvry et al. (1994). A Survey of Models, Analysis Tools and Compensation Methods for the Control of Machines with Friction90209-7). DOI:10.1016/0005-1098(94)90209-7.
40. Oussama Khatib (1987). A Unified Approach for Motion and Force Control of Robot Manipulators: The Operational Space Formulation. DOI:10.1109/jra.1987.1087068.
41. Yoshihiko Nakamura et al. (1986). Singularity-Robust Inverse Kinematics. DOI:10.1115/1.3143764.
42. James E. Bobrow et al. (1985). Time-Optimal Control of Robotic Manipulators Along Specified Paths. DOI:10.1177/027836498500400303.