Chapter 9: 데이터·시뮬레이션 — 학습 루프의 인프라

개요

이 장의 질문은 다음과 같다. 로봇 데이터나 시뮬레이션 플랫폼이 신뢰할 수 있는 현실 행동에 이르는 길을 단축한다는 것을 어떤 증거가 보여 주는가? 모션 캡처 수트는 사람을 기록하고, 원격조작은 로봇을 기록하며, 합성 렌더링은 시각 조건을 늘린다. 물리 엔진은 접촉을 계산하고, 디지털 트윈은 셀을 미러링하며, 월드 모델은 미래 영상을 예측할 수 있다. 모두 “데이터”를 만들지만 레이블, 행동 의미, 구현 차이, 실패 모드가 다르다.

이 장의 논지는 데이터 인프라가 사람 캡처, 로봇 데이터, 시뮬레이션, 리플레이, 월드 모델을 구분해야 한다는 것이다. 1시간의 1인칭 영상은 1시간의 토크 레이블 로봇 실행이 아니다. 합성 장면 1천 개는 독립 검증된 물리 시행 1천 번이 아니다. 실제 로봇을 따라 움직이는 디지털 트윈이 자동으로 반사실 시뮬레이터가 되는 것도 아니다. 그럴듯한 픽셀을 만드는 월드 모델이 마찰, 힘, 충돌, 작업 성공까지 정확하다고 볼 수 없다.

이 장의 심층 프로필은 Noitom Robotics, DexForce, SynapX 세 곳으로 고정한다 ^{[1] [6] [11]}. 세 곳은 서로 다른 증거 상태를 대표한다. Noitom은 캡처, 원격조작, 리타기팅, 데이터 공장 인프라를 판매한다. DexForce는 로봇, 시뮬레이션 엔진, 월드 모델 서사, 상세 운영 문서를 공개한다. SynapX는 PaXini의 파트너십 발표에 이름이 나오지만 법인 정체성과 독립 제품 증거가 해결되지 않았다. 세 번째 프로필은 빈칸을 유사 이름 조직에서 채우라는 허가가 아니라 증거 경계 사례다.

이 장을 읽고 나면... - 사람 영상, 웨어러블 캡처, 로봇 원격조작, 자율 로그, 합성 데이터, 실제 리플레이, 월드 모델 롤아웃을 구분할 수 있다. - 1인칭 캡처가 접촉, 힘, 보정, 행동 정보를 어디서 잃는지 진단할 수 있다. - Noitom, DexForce, SynapX를 정체성, 제품, 기술, 견인력, 성숙도, 인터페이스, WRC, 강점, 한계, 신뢰도 필드로 비교할 수 있다. - 시뮬레이터가 사실적으로 보이는지를 넘어 실제 정책 순위를 예측하는지 시험할 수 있다. - 데이터 계보, 분할 위생, 리플레이 게이트, 통제된 현실 승격을 갖는 제조 학습 루프를 설계할 수 있다.

9.1 섞으면 안 되는 다섯 가지 데이터 객체

로봇 학습 논의는 서로 다른 다섯 객체를 모두 “데이터셋”이라 부르곤 한다. 사람 관찰은 사람이 무엇을 하는지 기록한다. 웨어러블과 모션 캡처는 관절·신체 상태를 더한다. 원격조작은 사람이 제어하는 로봇의 실행을 기록한다. 자율 로그는 배치된 정책과 실패를 기록한다. 시뮬레이션은 모델링된 세계 안에서 상태와 행동을 생성한다. 하류 학습기가 다섯 가지를 모두 사용할 수는 있지만 의미가 같다고 가장해서는 안 된다.

데이터 단위도 중요하다. 영상 시간은 긴 촬영을 보상한다. 에피소드 수는 분할 방식에 좌우된다. 프레임 수는 카메라 속도를 보상한다. 궤적은 성공, 중단, 재설정, 유휴를 모두 포함할 수 있다. 작업은 좁은 변형일 수도, 다른 기술일 수도 있다. 장면 차이는 텍스처뿐일 수도, 형상과 작업흐름 전체일 수도 있다. 방어 가능한 코퍼스는 관련 분모를 모두 보고하고 하나의 “규모” 수치로 합치지 않는다.

품질은 여러 차원이다. 커버리지는 목표 분포가 들어 있는지, 충실도는 상태와 레이블이 맞는지, 동기화는 시각·촉각·힘·고유수용감각·명령이 같은 물리 순간을 가리키는지 묻는다. 실행 가능성은 목표 제어기가 행동을 재현할 수 있는지 묻는다. 거버넌스는 누가 어떤 목적, 동의, 라이선스, 보존 정책 아래 데이터를 쓸 수 있는지 묻는다. 큰 코퍼스가 어느 차원에서든 더 나쁠 수 있다.

9.2 캡처 선택: 원격조작, 웨어러블, 1인칭 영상

원격조작은 관측과 행동을 로봇 구현 안에 유지한다. 카메라, 관절 상태, 명령, 촉각, 작업자 수정을 하나의 시계 아래 기록할 수 있다. 약점은 작업자 채널이다. 지연은 접촉 행동을 바꾼다. VR 컨트롤러나 장갑은 로봇 손의 기구학을 재현하지 못할 수 있다. 작업자가 인터페이스에 적응하므로 후반 시연은 초반과 다르다. 세 번의 숨겨진 재설정 뒤 성공한 시연은 최초 시도 자율성과 다른 분포를 가르친다.

웨어러블은 손과 전신 상태를 보강한다. 관성 수트는 휴대가 쉽지만 드리프트가 있다. 광학 마커는 보정 공간에서 정확할 수 있지만 가려진다. 장갑은 관절 대리값을 측정하지만 착용과 재보정이 필요하다. 햅틱 장갑은 로봇 접촉 일부를 작업자에게 돌려주지만 힘의 대역폭, 방향, 장착이 제한된다. DOGlove는 양방향 힘 피드백이 접촉이 많은 시연을 바꿀 수 있다는 연구 증거이지만 케이블 정비와 손목 하드웨어가 현장 규모를 제약한다 ^[16].

1인칭 영상은 다른 확장 경로를 제공한다. 머리나 손목 카메라는 모든 현장에 로봇을 가져가지 않고도 다양한 물체와 사람 전략을 본다. EgoDex는 1인칭 영상과 추적된 손을 짝짓고, UMI는 계측 그리퍼를 들고 현장으로 가며, DexUMI는 사람 손을 인터페이스로 쓰고 운동을 추정한다 ^{[12] [14] [15]}. 로봇 시간을 줄이지만 접촉은 손가락, 물체, 도구 뒤로 사라질 수 있다.

“접촉 손실”에는 여러 뜻이 있다. 카메라가 접촉 패치를 보지 못할 수 있다. 접촉은 봐도 법선력이나 전단력을 모를 수 있다. 손 자세는 알아도 물체의 순응과 마찰은 모를 수 있다. 작업자가 즉시 수정한 실패 접촉을 놓칠 수 있다. 로봇이 도달할 수 없는 사람 자세를 기록할 수 있다. 따라서 1인칭 코퍼스는 접촉이 관측, 추론, 계측, 부재 가운데 무엇인지 밝혀야 한다.

리타기팅은 파일 형식 변환이 아니다. 신체 길이, 관절 한계, 접촉, 균형, 도구가 다른 구현으로 작업 관련 상호작용을 보존하며 사람 운동을 옮기는 과정이다. 관절각을 그대로 복사할 수 없다. 매핑에는 실행 가능성 검사와 변경 기록이 필요하다. 그렇지 않으면 “사람 규모 데이터”는 실행 불가능한 로봇 목표의 대규모 모음이 된다.

9.3 심층 프로필 I — Noitom Robotics

한국어 표기는 노이톰 로보틱스, 영어 브랜드는 Noitom Robotics, 중국어 브랜드는 诺亦腾机器人이다. 공식 개인정보 고지는 웹사이트 운영자를 Noitom Robotics Technology (Beijing) Co., Ltd.로 명시하고 베이징 우편 주소를 제공한다 ^[2]. 확보한 공식 자료에는 이 로보틱스 법인의 설립일이 없다. 앞선 모션 캡처 회사 Noitom Ltd.는 2012년 설립을 밝히지만 그 날짜를 Noitom Robotics에 옮기면 안 된다.

주요 제공물은 고정밀 사람 상호작용 캡처, 맞춤 원격조작, 데이터 관리·품질보증, 사람-로봇 매핑, ModalityNet과 World Compiler 개념, Adam-U 데이터 수집 플랫폼이다 ^{[1] [3] [5]}. Adam-U는 Noitom 모션 캡처, PNDbotics 본체, Inspire Robotics 촉각 손을 결합한 파트너 시스템이다. 공식 페이지는 31 자유도, 양안 시각, 안전 브레이크, 운동·힘촉각·시각 동기 캡처, 4만5천 달러부터 시작하는 사전주문을 설명한다 ^[5]. 이는 발행사·파트너 구성 진술이며 독립 정확도나 처리량 벤치마크가 아니다.

기술 중심은 모션 캡처를 로봇 사용 가능 데이터로 바꾸는 데 있다. 캡처 시스템은 사람 상태를 추정한다. 리타기터는 이를 로봇 기구학과 접촉 제약으로 투영한다. 원격조작 루프는 실행 가능한 명령을 보내고 시각 또는 다른 피드백을 돌려준다. 데이터 파이프라인은 양식을 동기화하고 작업·품질 메타데이터를 붙이며 학습 표현을 내보낸다. Noitom의 “World Compiler”는 작은 구조화 코퍼스를 사용해 더 크고 약하게 구조화된 데이터를 조직하는 제안 층으로 이를 확장한다 ^[3].

아래 공식 현장 사진은 WAIC 2025에서 운영자가 모션 캡처 수트와 손 추적 하드웨어를 착용하고 Adam-U를 조작하는 구성을 함께 보여 준다. 장비 구성은 확인할 수 있지만 지연, 리타기팅 오차, 인수 데이터 수율을 측정한 자료는 아니다.

Noitom은 독립적으로 벤치마크된 코퍼스 규모를 공개하지 않은 채 데이터 공장, 물리 상태 구조화, 리타기팅 범위를 설명한다 ^[3]. World Compiler 글은 약 100개 회사와 협력한다고 말하지만 유료 고객, 활성 생산 파이프라인, 데이터 부피, 인수 에피소드, 갱신, 독립 검증을 정의하지 않는다. 이는 발행사 견인력과 개념 공개이지 비교 가능한 데이터셋·배치 지표가 아니다.

개발자 표면은 부분적으로 공개됐다. 공식 페이지는 ROS, Isaac Sim, MuJoCo, C++, Python 통합과 개발자 중심 Adam-U SDK를 주장한다 ^{[5] [4]}. 확보한 자료는 공개 패키지 저장소, 지원 버전, 메시지 스키마, 결정론적 지연, 보정 파일, 라이선스, 장기 유지보수를 확립하지 않는다. 인터페이스 주장은 인터페이스가 없는 것보다 강하지만 외부 재현 통합보다는 약하다.

상업 성숙도는 맞춤형 기업 데이터·원격조작 서비스와 사전주문 하드웨어 플랫폼으로 보는 편이 적절하다. 앞선 모션 캡처 사업의 성숙도는 배경이지만 새 로보틱스 파이프라인의 품질을 증명하지 않는다. 감사 재무, 현재 매출, 매출총이익, 투자액, 코퍼스 판매, 갱신은 확보한 1차 증거에 없다. Adam-U 시작 사전주문가는 공개됐고 서비스, 데이터 라이선스, 통합, 주석, 저장, 지원 가격은 미공개다.

완전한 기사 모집단, 기간, 언어, 중복 제거 규칙이 없어 미디어 코퍼스 노출은 측정하지 않았다. 공식 프로필은 창업자가 WRC 2024에서 데이터 공장 비전을 발표했다고 말한다. 이는 과거 발표에 대한 발행사 증거다. WRC 2026 공식 주최자 출품사 페이지는 Noitom Robotics를 B216에 기재한다. 참가 법인은 诺亦腾机器人科技（深圳）有限公司이며, 웹사이트 개인정보 고지의 베이징 운영 법인 Noitom Robotics Technology (Beijing) Co., Ltd.와 동일 법인으로 합치지 않는다. 부스 참가만 확인되며 프로그램 상태는 미검증이다.

강점은 오랜 모션 캡처 계보, 동기화·리타기팅에 대한 명시적 집중, 교차 플랫폼 통합 주장, 캡처에서 거버넌스까지 이어지는 서사다. 한계는 독립 감사 코퍼스 부재, 불명확한 SDK 재현성, 기존 Noitom과 Noitom Robotics 견인력의 구분 부족, 공개 예측 타당성 증거 부족이다. 공식 법인 운영자, 베이징 위치, 제공물, Adam-U 공개 구성의 신뢰도는 높음, 플랫폼 성숙도는 중간, 재무·인수 데이터 처리량·정책 이득은 낮음이다.

9.4 심층 프로필 II — DexForce

한국어 표기는 덱스포스, 영어 브랜드는 DexForce, 중국어 브랜드는 跨维智能이다. 공식 법인명은 跨维（深圳）智能数字科技有限公司이며 영문 사이트는 DexForce Technology Co., Ltd.로 표기한다. 공식 회사 페이지는 2021년 6월 설립, 선전 난산구 본사, 여러 중국 도시의 사무실을 밝힌다 ^[7].

주요 제품은 DexVerse 구체지능 엔진, DexWorldModel, EmbodiChain 개발 플랫폼, DexForce W1 Pro 휴머노이드, DexSense 시각 센서다 ^[7]. 이 장은 발행사 서사가 디지털 자산 생성, 작업 시뮬레이션, 모델 훈련, 물리 배치를 연결하기 때문에 DexForce를 데이터·시뮬레이션 인프라로 본다. 로봇 본체를 보유했다는 사실이 시뮬레이터 품질을 증명한다고 보지는 않는다.

공개 개발 문서는 운영 수준의 세부를 가진다. W1 매뉴얼은 ROS 2 기반 지도작성과 내비게이션, 원격조작, 데이터 기록, 보정, URDF 사용, 자동 모드, 저장 파일을 다룬다. 소프트웨어 인터페이스는 가상 로봇이 실제 상태를 따라가는 디지털 트윈 모드와 명령이 가상 로봇만 움직이는 순수 시뮬레이션 모드를 설명한다 ^{[6] [8]}. 이는 호출 가능한 작업흐름을 확립하지만 성공률은 아니다.

DexForce는 지도작성, ROS 2 통합, 원격조작, 기록, 시뮬레이션 모드를 문서화하지만 해당 작업흐름의 배치 성공률을 공개하지 않는다 ^[8]. 문서는 작업자가 기능을 호출하고 검사할 수 있음을 증명한다. 현장별 지도 품질, 허용 원격조작 지연, 사용 가능한 시연 수율, 자율 작업 완수, 디지털 트윈 예측 정확도를 증명하지 않는다.

미러링과 예측은 구분해야 한다. 실제 로봇과 동기 표시되는 디지털 트윈은 시각화, 로깅, 진단에 유용하다. 실행하지 않은 다른 명령의 현실 응답을 정해진 오차 안에서 예측해야 반사실 시뮬레이터가 된다. 순수 시뮬레이션 모드는 시험 표면을 제공하지만 충돌, 접촉, 액추에이터, 카메라, 지연, 물체 모델은 여전히 검증해야 한다.

SDK 성숙도는 문서화된 제품 통합이다. ROS 2 명령과 서비스, RViz, URDF, 시스템 서비스, 저장 자세 기록, 버전별 매뉴얼이 보인다. 공개 Isaac Sim·Isaac Lab 패키지, DexVerse 소스 가용성, 훈련 데이터의 완전한 스키마, 시뮬레이터 릴리스 간 호환 시험은 확보한 자료에서 확인되지 않는다. 회사는 월드 모델과 생성 데이터를 설명하지만 가중치, 데이터 매니페스트, 독립 재현은 미검증이다.

재무와 견인력은 발행사 한정을 유지한다. 공식 회사 페이지는 50개 넘는 산업, 100개 넘는 고객, 1,500개 넘는 장면을 발행사 수치로 보고하지만 정의와 기간이 다른 회사와 맞춰지지 않았다 ^[7]. 공식 홈페이지는 2026년 6월 30일 10억 위안 B라운드 투자를 발표했다 ^[9]. 이는 발행사가 공개한 사건이지 감사 매출이나 현금 잔액이 아니다. 매출, 매출총이익, 출하, 활성 로봇, 갱신, 시뮬레이션 소프트웨어 비중은 미공개다.

WRC 상태는 더 강하다. 공식 2026 주최자 페이지는 DexForce의 C303 부스와 W1 Pro, DexVerse, DexWorldModel, 응용 주장을 나열한다 ^[10]. 주최자 목록은 참가와 제품 제시를 확인한다. 발행사의 모델 순위, 작업 성공, 상업 규모를 독립 검증하지 않는다. 미디어 코퍼스 노출은 완전한 코퍼스 방식 아래 여전히 미측정이다.

강점은 상세 운영 문서, 통합 로봇-시뮬레이션-모델 포트폴리오, 명시적 디지털 트윈·순수 시뮬레이션 모드, 주최자가 확인한 WRC 참가다. 한계는 발행사만의 규모·투자 공개, 독립 시뮬레이터-현실 순위 연구 부재, 불명확한 생성 데이터 계보, 미검증 공개 Isaac 지원이다. 법인, 설립, 본사, 문서, WRC의 신뢰도는 높음, 상업 성숙도는 중간, 예측 타당성·반복 경제·교차작업 정책 주장은 낮음이다.

아래 WRC 주최자 사례 사진은 카페 형태의 실내 작업 공간에 배치된 실물 W1 Pro 두 대를 보여 준다. 실제 하드웨어와 작업 물체의 관계는 보이지만 동일 작업의 시뮬레이션 대조, 디지털 트윈 예측 정확도, 자율 성공률을 입증하지 않는다.

9.5 심층 프로필 III — SynapX

이 장에서 쓰는 한국어 표기는 시냅엑스이고 출처에 나온 영어 이름은 SynapX이다. 검증된 중국어 브랜드, 법인, 설립일, 본사, 창업자, 공식 도메인은 확립되지 않았다. 이름이 비슷한 다른 조직의 검색 결과는 이름 유사성이 정체성 증거가 아니므로 제외한다.

허용한 유일한 1차 증거는 PaXini 공식 뉴스 페이지다. 이 페이지는 OmniVTLA 2.0을 둘러싼 전략적 파트너십 제목에서 “PaXini and SynapX”를 명시한다 ^[11]. 확보된 페이지에는 상세 기사 본문, SynapX 자체 발표, 법인 식별자, 제품 카탈로그, 독립 벤치마크가 없다. PaXini가 파트너십 제목에 그 이름을 사용했다는 사실만 검증하며 SynapX가 무엇을 공급했는지는 검증하지 않는다.

따라서 대표 제품은 미해결이다. 명명된 OmniVTLA 2.0 파트너십과의 연관을 넘어선 기술 범위는 미검증이다. 데이터셋 규모, 캡처 양식, 합성 렌더러, 물리 엔진, 월드 모델, 원격조작 시스템, 디지털 트윈, SDK, ROS, Isaac, 라이선스, 가격, 배치, 고객, 출하, 재무, 인원은 미공개 또는 미검증이다. PaXini 자체의 더 넓은 촉각·데이터 포트폴리오에서 어느 것도 추론하지 않는다.

성숙도를 제품, 파일럿, 배치로 책임 있게 지정할 수 없다. 올바른 레이블은 파트너 발표 증거만 있음이다. WRC 2026 공식 상태는 미검증이다. 미디어 코퍼스 노출도 미측정이며, 파트너 페이지 하나를 점유율 통계로 만들 수 없다.

이 프로필의 강점은 방법론이다. 생태계 지도가 파트너 언급을 완전한 회사로 세탁하는 것을 막는다. 실질 한계는 거의 모든 필드가 열린 상태라는 점이다. PaXini가 이름과 파트너십 제목을 게시했다는 신뢰도는 높음, 정체성 해결은 낮음, 제품·기술·재무·견인력·인터페이스·성숙도·정책 이득·비교 순위에는 증거 부족이다.

향후 승격에 필요한 최소 증거 패킷은 SynapX가 통제하는 도메인, 법인 등록, 이름이 있는 대표자, 날짜가 있는 제품·기술 문서, 인터페이스 조건, 구현·데이터셋·분할·개입·지표를 공개한 시험이다. 아래 PaXini 공식 서명식 사진은 SynapX 이름과 OmniVTLA 2.0 파트너십만을 보조한다. SynapX 자체 제품, 데이터셋, 모델, 법인 정체성을 증명하는 사진으로 사용하지 않는다.

9.6 같은 척도의 프로필 비교

비교표는 “미해결”을 그대로 보존한다. 빈칸은 0이 아니며 파트너십 제목은 버전 관리된 운영 문서와 같은 증거 단계가 아니다.

Noitom과 DexForce의 주장도 서로 다른 질문에 답한다. Noitom은 캡처와 표현을 전면에 둔다. DexForce는 생성 데이터, 시뮬레이션, 월드 모델, 납품 로봇 스택을 앞세운다. SynapX는 비교할 기술 단위를 제공하지 않는다. 구매자는 웹사이트 서사의 폭이 아니라 인수된 시연 시간, 버전형 시뮬레이터 장면, 정책 평가 실행, 배치 기술처럼 이름이 있는 납품물을 비교해야 한다.

9.7 거짓 등가 없이 데이터셋 규모 읽기

EgoDex는 194개 탁상 작업에 걸친 829시간을 보고하지만 센서, 구현, 작업, 품질 필터가 다른 데이터셋과 직접 비교할 수 없다 ^{[12] [13] [14]}. EgoDex는 1인칭 사람 영상과 추적 손을 기록한다. DROID는 564개 장면과 84개 작업에서 수집한 76,000개 로봇 궤적, 총 350시간을 보고한다. UMI는 휴대형 그리퍼 매개 시연을 기록한다. 분모가 서로 다른 자산을 설명한다.

조달에서 데이터셋마다 “영양 표시표”가 필요하다. 전체 원시·인수 시간, 에피소드·작업 정의, 성공·실패·재설정·유휴 비율, 센서 목록과 속도, 행동·제어 좌표계, 로봇·도구 버전, 작업자·현장, 물체·로트·장면 분포, 주석 출처, 훈련·검증·시험 분할, 라이선스, 동의, 삭제 정책을 밝혀야 한다.

시간은 중복을 숨길 수 있다. 작업자 10명이 한 지그에서 한 운동을 반복하면 프레임은 늘지만 새 커버리지는 작다. 반대로 막힘, 오파지, 센서 누락, 복구 같은 희귀 사건을 담은 작은 실패 코퍼스는 큰 가치를 가질 수 있다. 유용한 분모는 저장 크기가 아니라 목표 작업 분포에서의 유효 다양성인 경우가 많다.

사람 데이터는 로봇 하드웨어보다 먼저 확장할 수 있어 매력적이다. 그러나 레이블은 간접적이다. EgoDex는 녹화 중 손 관절을 추적한다 ^[12]. 행동은 여전히 사람 신체의 것이다. 로봇 학습기는 리타기팅, 구현 정렬, 표현 사전학습이 필요하다. 사람 영상을 로봇 명령으로 바꾸는 방법은 변환과 불확실성을 보존해야지 결과를 직접 측정된 로봇 행동으로 제시하면 안 된다.

로봇 데이터는 실행에 더 가깝지만 비싸고 좁다. 원격조작은 성공 행동을 많이 모으면서 자율 드리프트를 과소대표할 수 있다. 자율 로그는 정책이 있어야 배치 분포를 담는다. 건강한 루프는 성공, 근접 실패, 실패, 개입, 복구를 의도적으로 섞고 출처를 표시한다.

9.8 렌더링, 물리, 디지털 트윈, 리플레이, 월드 모델

합성 렌더링, 물리 시뮬레이션, 실제 리플레이 평가, 월드 모델은 서로 다른 문제를 푼다 ^{[17] [18] [19] [20]}. 렌더링은 픽셀과 레이블을 바꾼다. 물리는 명시 모델 아래 상태 전이를 계산한다. 디지털 트윈은 가상 자산을 특정 물리 시스템에 결합한다. 리플레이는 기록되거나 재구성된 현실 조건에서 정책을 평가한다. 학습된 월드 모델은 데이터에서 관측·잠재 상태를 예측한다.

합성 렌더링은 카메라 자세, 조명, 재질, 혼잡, 분할, 깊이, 희귀 시각 조합에 유용하다. 구성상 완벽한 레이블도 제공할 수 있다. 위험은 렌더러 지문이다. 모델이 합성 영역을 드러내는 텍스처, 모서리, 잡음, 물체 생성 흔적을 배울 수 있다. 사진 사실성은 눈에 보이는 차이를 줄이면서 접촉과 인과를 틀리게 남길 수 있다.

물리 엔진은 질량, 관성, 마찰, 순응, 액추에이터, 지연, 접촉을 노출한다. DiffTactile 같은 미분 가능 시뮬레이터는 논문이 지원하는 설정에서 접촉·재료 모델을 통과하는 기울기를 제공한다 ^[17]. TacEx는 Isaac Sim에서 GelSight 계열 관측을 위해 연체 물리와 시각촉각 시뮬레이션을 결합한다 ^[18]. 둘은 방법 증거이며 모든 상용 센서나 공장 재료를 표현한다고 증명하지 않는다.

디지털 트윈에는 정체성과 동기화가 필요하다. 형상, 관절 보정, 도구, 카메라 내부 파라미터, 제어기, 펌웨어, 가반하중, 셀 자산이 일련번호가 있는 물리 시스템과 일치해야 한다. 실시간 미러는 상태와 사고를 재현할 수 있다. 다른 명령에서 무엇이 일어날지를 묻는 반사실 사용에는 검증된 동역학 모델이 필요하다. 그 검증이 없으면 “트윈”은 대시보드 아바타일 수 있다.

실제 리플레이는 평가를 기록된 현실에 고정한다. 정책을 영상, 재구성 장면, 초기 상태에 대해 실행하면서 행동만 시뮬레이션할 수 있다. SIMPLER는 시뮬레이션 평가가 실제 정책 성능 관계와 강건성 패턴을 재현하는지를 명시적으로 연구한다 ^[19]. 중요한 제품 질문은 가상 성공률이 실제 성공률과 같은가가 아니다. 순위, 회귀 탐지, 승격이라는 시뮬레이터 의사결정이 위험한 물리 시험을 줄일 만큼 예측적인가다.

월드 모델은 손으로 만든 물리에만 의존하지 않고 전이 분포를 학습한다. DreamDojo는 대규모 1인칭 영상으로 학습하고 계획·정책 평가를 포함한 제어 가능한 로봇 용도로 후학습한다 ^[20]. 생성 미래는 복잡한 외형과 상호작용을 덮을 수 있다. 동시에 그럴듯하지만 물리적으로 틀리거나, 긴 시간에 드리프트하거나, 학습 패턴을 복사할 수 있다. 현실 게이트가 확인하기 전까지 월드 모델 출력은 제안과 평가 신호에 머물러야 한다.

9.9 Sim2Real은 예측 타당성 문제다

“현실 격차가 얼마나 작은가”라는 일반 질문은 너무 모호하다. 시뮬레이터는 시각 유사성이 좋고 제어 전이가 나쁠 수 있으며, 픽셀이 불완전해도 정책 순위는 잘 맞출 수 있다. 필요한 타당성은 의사결정에 따라 다르다. 훈련은 유용한 표현과 행동을 유도하는 분포가 필요하다. 평가는 정책 순위와 실패 모드가 필요하다. 안전 분석은 보수 경계가 필요하다. 디지털 트윈 진단은 일련번호별 상태 일치가 필요하다.

예측 타당성은 짝지은 시험으로 측정할 수 있다. 다양성이 알려진 정책을 선택해 고정하고 같은 작업 프로토콜에서 시뮬레이션과 현실을 평가한다. 순위 상관, 성공 차이, 힘·궤적 분포, 실패 혼동을 비교한다. 이어 조명, 카메라, 마찰, 가반하중, 형상, 지연, 마모, 물체 로트를 교란한다. 유효한 평가 도구는 어느 정책이 왜 나빠지는지를 예측해야 한다.

시스템 식별은 하나의 경로다. PACE는 20–60초의 실제 여기 시퀀스로 동역학 파라미터를 추정한 뒤 다리 로봇에 전이한다 ^[21]. 교훈은 짧은 시퀀스가 Sim2Real을 보편적으로 해결한다는 것이 아니다. 파라미터는 여기 대역폭, 로봇 강성, 펌웨어, 온도, 마모, 모델 효과에 의존한다. 식별에는 유효 기간이 있으며 소프트웨어처럼 버전 관리해야 한다.

현실-시뮬레이션-현실 파이프라인은 장면이나 시연을 재구성하고 시뮬레이션에서 최적화한 뒤 로봇 행동으로 되돌린다. X-Sim은 사람 시연에서 재구성된 상호작용을 거쳐 로봇 정책으로 가는 경로의 사례다 ^[22]. 물체 형상과 접촉 재구성 오류는 상류 레이블 오류가 된다. 모든 영상을 억지로 합성 작업으로 만들지 말고 신뢰도를 보존하며 재구성 불가능 장면을 거절해야 한다.

영역 무작위화는 불확실성이 한정될 때 유용하다. 모든 파라미터를 거대한 범위로 무작위화하면 강건하지만 비효율적인 정책을 만들거나 잘못된 공칭 모델을 숨길 수 있다. 분포는 측정에서 나와야 하고 배치 변화를 덮어야 한다. 무작위화는 센서 지연, 액추에이터 한계, 충돌 형상, 안전 중요 접촉의 식별을 대신하지 않는다.

9.10 누수, 리플레이 오염, 거버넌스

로봇 데이터 누수는 중복 영상보다 넓다. 같은 장면이 다른 카메라 자르기로 훈련과 평가에 들어갈 수 있다. 같은 물체 개체가 다른 작업 이름으로 등장할 수 있다. 사람 영상이 월드 모델 사전학습에 들어간 뒤 리플레이 벤치마크에 다시 들어갈 수 있다. 합성 변형이 하나의 기본 메시나 궤적을 공유할 수 있다. 원격조작자가 목표를 본 뒤 평가 시퀀스를 수집할 수 있다. 파운데이션 모델이 공개 벤치마크 영상을 이미 보았을 수 있다.

따라서 분할은 일반화와 관련된 인과 단위에서 이뤄져야 한다. 물체 일반화에는 물리 개체와 제품군을 홀드아웃한다. 장면 일반화에는 현장과 배치를 홀드아웃한다. 작업자 일반화에는 사람을 홀드아웃한다. 정비 강건성에는 센서 배치와 보정 세션을 홀드아웃한다. 정책 평가에서는 실제 시험 에피소드, 재구성 자산, 생성 파생물을 하나의 계보 그룹에 묶어 후손이 분할을 넘지 못하게 한다.

데이터 레지스트리에는 변경 불가능한 에피소드 ID와 부모-자식 출처가 필요하다. 자르기, 레이블, 리타기팅, 재구성, 렌더링, 증강, 수정, 필터마다 부모, 코드 버전, 모델, 파라미터, 검토자에 연결된 파생 자산을 만든다. 동의나 라이선스 때문에 원천을 삭제할 때 후손을 찾을 수 있어야 한다. 이는 기계학습 장부만이 아니라 데이터 운영이다.

리플레이 평가에는 개입 위생이 필요하다. 평가자가 유리한 초기 상태를 고르고, 어려운 에피소드를 빼고, 시험 리플레이에서 임계값을 조정하면 시험 정보가 누수된다. 정책 승격 기록은 고정 체크포인트, 시뮬레이터·자산 버전, 에피소드 매니페스트, 제외, 재시도, 물리 확인 부분집합을 명시해야 한다.

웨어러블과 1인칭 카메라가 사람, 가정, 화면, 음성, 작업 관행, 지식재산을 담기 때문에 보안과 개인정보도 중요하다. 모델 훈련 동의와 공개·상업 재판매 동의는 다를 수 있다. 얼굴과 문자를 흐리게 해도 신체, 장소, 영업비밀 위험은 남는다. 데이터 계약은 목적, 지역, 보존, 접근, 삭제, 파생 모델, 사고 대응을 다뤄야 한다.

9.11 학습 루프의 경제성

데이터 가격은 시간당 비용이 아니다. 유용한 경제 단위는 인수·재사용 가능한 에피소드당 비용, 궁극적으로 늘어난 성공 작업당 비용이다. 캡처 노동, 하드웨어 감가, 보정, 재설정, 주석, 품질 검토, 저장, 전송, 시뮬레이션 계산, 정책 훈련, 실제 검증, 실패 배치를 모두 포함한다.

인수 수율을 y, 원시 수집 시간을 H, 전체 수집·처리 비용을 C라 하면 인수 시간당 비용은 C/(Hy)다. 접촉이 사라지거나 동기화가 깨지면 빠른 수집이 더 나쁠 수 있다. 수율 정의는 완전한 센서, 유효 행동, 작업 레이블, 결과, 개인정보 위반 없음, 재현 가능한 보정을 요구해야 한다.

시뮬레이션은 비용 곡선이 다르다. 장면과 자산을 만든 뒤 많은 변형은 저렴할 수 있지만 자산 구축, 물리 조율, 렌더러 유지, GPU 시간, 검증은 남는다. 월드 모델 롤아웃은 비용을 학습·추론으로 옮기고 보정·불확실성 모니터링을 추가한다. 올바른 비교에는 가상 선별 후에도 필요한 물리 시험이 들어간다.

사업 모델도 인센티브를 바꾼다. 하드웨어 판매는 장치 납품을 보상한다. 데이터 서비스는 원시 또는 인수 시간으로 과금할 수 있다. 플랫폼은 좌석, API, 저장, 계산으로 과금할 수 있다. 모델 공급사는 개선 권리를 보유할 수 있다. 조달은 수집 전에 원시 녹화, 파생 레이블, 시뮬레이터 자산, 정책, 텔레메트리, 학습 가중치의 소유권을 정의해야 한다.

9.12 제조 워크스루: 커넥터 학습 루프 구축

제8장의 커넥터 안착 셀을 생각하자. 새 목표는 운영뿐 아니라 커넥터 로트, 소켓 공차, 케이블, 조명, 센서 교체에 걸쳐 평가를 오염하지 않고 개선하는 학습 루프를 만드는 것이다.

1단계: 의사결정을 정의한다. 루프는 후보 정책이 제한된 물리 시험으로 승격될 수 있는지 예측해야 한다. 따라서 사진 사실성보다 정책 순위, 거짓 승격, 놓친 회귀가 중요하다.

2단계: 에피소드를 정의한다. 에피소드는 커넥터를 집기 전에 시작하고 검증된 안착, 안전 후퇴, 격리, 사람 인수 가운데 하나로 끝난다. 접촉 전 접근, 최초 접촉, 탐색, 삽입, 래치, 검사, 복구에 시간을 붙인다. 재설정은 기록 안에 남긴다.

3단계: 현실을 계측한다. 카메라, 손·팔 상태, 손목 힘, 촉각, 명령, 제어 모드, 안전 사건, 보드·커넥터 로트, 보정, 펌웨어, 작업자 개입을 한 시계에 기록한다. 변경 불가능한 하드웨어·에피소드 정체성을 만든다.

4단계: 캡처 원천을 고른다. 구현에 맞는 행동에는 원격조작, 정책 실패에는 자율 로그, 보완적 사람 전략에는 웨어러블·1인칭 기록을 쓴다. 사람 쪽 접촉력이 없으면 측정된 것처럼 추론하지 말고 부재라고 표시한다.

5단계: 인수 수율을 세운다. 시계 누락, 양식 드롭, 잘못된 보정, 알 수 없는 재설정, 불안전 행동, 모호한 결과, 동의 실패가 있는 에피소드를 거절한다. 데이터 공장이 조용한 삭제로 수율을 높이지 못하게 거절 메타데이터를 남긴다.

6단계: 시뮬레이터 자산을 만든다. 소켓·커넥터 형상, 재료·마찰 가정, 카메라, 손, 제어 지연, 힘 한계, 충돌 모델을 버전 관리한다. 디지털 트윈을 특정 물리 일련번호와 펌웨어에 묶는다.

7단계: 짝지은 시행으로 보정한다. 안전한 궤적의 작은 설계 집합을 실제·가상 셀에서 실행한다. 여기로 뒷받침되는 파라미터만 맞춘다. 일부 짝지은 시행을 검증용으로 남기고 온도·마모에 따른 잔차를 감시한다.

8단계: 변형을 생성한다. 측정 분포 안에서 조명, 자세, 로트 형상, 마찰, 케이블 강성, 센서 잡음을 바꾼다. 모든 합성 에피소드에 원천 자산, 파라미터, 렌더러, 물리, 정책 버전을 붙인다.

9단계: 누수 안전 분할을 고정한다. 커넥터·보드 로트, 지그 하나, 센서 교체 배치, 시간 구간을 홀드아웃한다. 실제 에피소드와 모든 리플레이·재구성·렌더링 후손을 같은 분할 계열에 둔다.

10단계: 예측 타당성을 시험한다. 여러 고정 정책 체크포인트를 가상·물리로 평가한다. 순위, 거짓 안착, 최고 힘, 손상, 복구, 개입을 비교한다. 최종 물리 홀드아웃을 보고 조정하지 않는다.

11단계: 게이트를 거쳐 승격한다. 월드 모델이나 시뮬레이터 결과는 정책을 후보로 올릴 수 있다. 정적 한계와 안전 검토가 게이트한다. 그림자 실행이나 저속 실행이 생산 속도보다 먼저다. 사람은 정지와 롤백 권한을 유지한다.

12단계: 실패를 되먹임한다. 실제 실패를 인지, 형상, 접촉, 동역학, 지연, 제어기, 정책, 안전, 공정으로 분류한다. 데이터, 모델, 자산, 파라미터, 운영 절차 중 무엇을 고칠지 결정한다. 모든 실패를 “Sim2Real”이라고 부르지 않는다.

제조 셀 적용 체크포인트

작업 스키마에는 조립품, 커넥터·보드 로트, 형상 리비전, 파지, 목표 자세, 힘·탐색 한계, 예상 접촉 신호, 성공 검사, 실패 유형, 재시도, 격리, 사람 권한이 필요하다.

데이터 스키마에는 변경 불가능한 에피소드·계보 ID, 센서·로봇·도구·지그·펌웨어·보정·모델·렌더러·시뮬레이터·자산 버전, 원천 종류, 동의·라이선스, 분할 계열, 변환 부모, 결과, 개입, 검토자가 필요하다.

KPI는 인수 에피소드 수율, 사용 가능한 접촉 사건 밀도, 동기 손실, 레이블 불일치, 가상·현실 정책 순위 상관, 거짓 승격, 놓친 회귀, 최초 통과율, 손상, 사람 시간, 계산·수집 비용, 실패에서 검증 업데이트까지 시간을 포함한다.

안전 책임은 학습 모델 바깥에 남는다. 생산은 공정·재료, 품질은 안착·손상 정의, 안전은 물리 한계·승격 게이트를 맡는다. 데이터 엔지니어링은 계보·접근·삭제, 시뮬레이션은 자산 타당성, 학습은 체크포인트·평가를 맡는다. 통합사는 실시간 실행·롤백, 공급사는 계약 인터페이스·버전 지원을 맡는다.

9.13 증거 사다리와 조달 질문

회사 도식은 의도한 구조의 증거다. 문서는 인터페이스 존재의 증거다. 데이터셋 카드는 정의의 증거다. 논문 벤치마크는 제한된 방법 증거다. 가상-현실 동일조건 연구는 예측 타당성 증거다. 생산 코호트는 지속 이득 증거다. 이 단계를 섞으면 안 된다.

조달은 원시·보정 스트림이 있는 샘플 에피소드, 스키마와 시계 사양, 인수·거절 규칙, 계보 그래프를 요구해야 한다. 렌더링 영상이 아니라 짝지은 실제 시행이 있는 시뮬레이터 검증 보고서를 요청해야 한다. 소프트웨어 버전, 오프라인 동작, 지원 기간, 내보내기 권리, 삭제, 모델 개선 권리를 확인해야 한다. 마지막으로 일회성 데모가 아니라 재현 가능한 두 번째 현장 배치의 가격을 물어야 한다.

9.14 한계와 열린 질문

첫째, 세 프로필의 증거가 고르지 않다. Noitom과 DexForce는 공식 도메인을 통제한다. SynapX는 증거 패킷에서 1차 정체성이 해결되지 않았다. 이 비대칭은 추측으로 채울 공백이 아니라 발견이다.

둘째, 발행사 지표의 단위가 다르다. “약 100개 회사”, “1,500개 장면”, 투자, 사전주문가, 데이터 시간, 작업 수는 같은 분모가 아니다. 출처, 날짜, 한정을 유지했다.

셋째, 공개 문서는 데이터 품질을 충분히 보여 주지 않는다. 인수 수율, 접촉 사건 밀도, 실패 비율, 작업자 학습, 보정 드리프트, 개입, 개인정보 거절이 거의 보고되지 않는다. 따라서 코퍼스 크기로 학습 가능성을 확립할 수 없다.

넷째, 시뮬레이션 타당성은 작업별이다. 강체 탁상 조작, 촉각 엘라스토머, 다리 동역학, 공장 케이블 삽입에는 다른 모델과 허용오차가 필요하다. 어떤 출처도 하나의 시뮬레이터가 보편적으로 예측적임을 확립하지 않는다.

다섯째, 월드 모델 평가는 초기 단계다. 픽셀 그럴듯함, 행동 제어 가능성, 작업 결과, 힘 일관성, 불확실성 보정, 장기 안정성이 서로 어긋날 수 있다. 생성 미래가 실행 가능성, 제어기, 충돌, 힘, 사람 안전 권한을 우회하면 안 된다.

여섯째, 대형 사전학습 모델의 누수는 감사하기 어렵다. 공개 영상, 파생 메시, 벤치마크 장면, 독점 고객 데이터가 공통 레지스트리 없이 겹칠 수 있다. 제로샷 일반화 주장에는 더 강한 계보 공개가 필요하다.

일곱째, 완전한 정책 아래 미디어 코퍼스 노출을 측정하지 않았다. WRC 2026은 DexForce만 주최자 확인이다. Noitom의 2024 발표 참조는 발행사 이력이고 SynapX는 미검증이다.

열린 질문은 다음과 같다. 재설정 노동을 숨기지 않고 인수 로봇 경험을 늘릴 수 있는가? 사람 영상에 신뢰 가능한 접촉·행동 레이블을 대규모로 붙일 수 있는가? 시뮬레이터가 펌웨어, 마모, 물체 로트 변화 뒤에도 예측 순위를 유지하는가? 월드 모델은 그럴듯한 영상뿐 아니라 보정된 불확실성을 노출할 수 있는가? 고객이 학습 루프를 다시 만들지 않고 공급사를 바꿀 만큼 데이터·자산 이동성을 가질 수 있는가?

기존 서베이와의 관계

이 장은 제8장의 손·촉각 논의를 확장한다. 촉각 센서는 형상, 보정, 시간, 접촉이 정의된 뒤에야 스트림을 만든다. 제9장은 그 스트림이 시각, 고유수용감각, 행동, 결과, 계보와 어떻게 합쳐지는지 묻는다. 원격조작·촉각 학습 논문은 메커니즘 증거를, 회사 프로필은 제품·문서 증거를 제공한다. 어느 한쪽도 생산 학습 루프를 단독으로 확립하지 못한다.

에이전틱 코딩과 비교하면 차이가 선명하다. 소프트웨어는 같은 산출물을 스테이징하고 결정론적 시험을 실행하며 스냅샷을 복원할 수 있다. 물리 스테이징 환경은 마모, 마찰, 케이블 배선, 사람, 손상 커넥터를 정확히 복제할 수 없다. 로봇 CI/CD는 가상 선별, 제한된 물리 실험, 안전 권한, 되돌릴 수 없는 현실 로그를 함께 써야 한다.

다음에 배울 것

제10장은 인프라에서 그것을 소비하는 모델로 이동한다. VLA와 월드 모델이 언어, 지각, 행동, 공장 제약을 어떻게 연결하는지를 다룬다. 핵심 질문은 “데이터나 시뮬레이션이 얼마나 많은가”가 아니라 “어떤 모델 인터페이스가 이를 실제 제어기가 실행하고 공장이 검증할 수 있는 행동 제안으로 바꾸는가”다.

세 가지 요구를 다음 장으로 가져가야 한다. 모든 모델 입력에는 계보가 필요하다. 모든 시뮬레이션·생성 결과에는 검증된 의사결정 범위가 필요하다. 모든 행동 출력에는 모델 바깥의 실행 가능성, 실시간 제어, 안전, 결과 확인이 필요하다. 이 경계가 학습 루프를 인상적인 데모의 연쇄가 아니라 공장 인프라로 만든다.

참고문헌

1. Noitom Robotics (2026a). Noitom Robotics 소개. 공식 회사·리더십 자료.
2. Noitom Robotics (2026b). 개인정보 고지와 웹사이트 이용조건. 공식 운영 법인·베이징 주소 자료.
3. Noitom Robotics (2026c). World Compiler와 ModalityNet. 공식 개념·발행사 견인력 자료.
4. Noitom Robotics (2026d). Noitom Robotics 공식 제품·서비스 포털. 캡처, 원격조작, QA, 통합 공식 자료.
5. Noitom Robotics (2025). Adam-U 휴머노이드 데이터 수집 플랫폼. 파트너 구성·사전주문 공식 자료.
6. DexForce (2026a). DexForce 제품 문서 센터. 공식 매뉴얼·개발 문서.
7. DexForce (2026b). DexForce 소개. 법인, 설립, 본사, 제품, 발행사 견인력 자료.
8. DexForce (2026c). W1 고급 소프트웨어 기능. 지도작성, 원격조작, 기록, 시뮬레이션 공식 문서.
9. DexForce (2026e). DexForce 공식 홈페이지와 투자 공개. 공식 발행사 뉴스 색인.
10. World Robot Conference (2026). DexForce 2026 출품사 프로필. 부스·제품 주최자 자료.
11. PaXini (2026). PaXini와 SynapX의 OmniVTLA 2.0 전략 파트너십. 공식 파트너 자료; SynapX 정체성 미해결.
12. Hoque, R. et al. (2025). EgoDex: Learning Dexterous Manipulation from Large-Scale Egocentric Video. arXiv:2505.11709; ICLR 2026. Terry의 해설 #76 · Terry EN.
13. Khazatsky, A. et al. (2024). DROID: A Large-Scale In-The-Wild Robot Manipulation Dataset. arXiv:2403.12945.
14. Chi, C. et al. (2024). Universal Manipulation Interface: In-The-Wild Robot Teaching Without In-The-Wild Robots. arXiv:2402.10329.
15. Xu, M. et al. (2025). DexUMI: Using Human Hand as the Universal Manipulation Interface for Dexterous Manipulation. arXiv:2505.21864. Terry의 해설 #8 · Terry EN.
16. Zhang, H. et al. (2025). DOGlove: Dexterous Manipulation with a Low-Cost Open-Source Haptic Force Feedback Glove. RSS 2025; arXiv:2502.07730.
17. Si, Z. et al. (2024). DiffTactile: A Physics-based Differentiable Tactile Simulator for Contact-Rich Robotic Manipulation. ICLR 2024; arXiv:2403.08716.
18. Nguyen, D. H. et al. (2024). TacEx: GelSight Tactile Simulation in Isaac Sim. arXiv:2411.04776.
19. Li, X. et al. (2024). Evaluating Real-World Robot Manipulation Policies in Simulation. arXiv:2405.05941.
20. Gao, S. et al. (2026). DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos. arXiv:2602.06949.
21. Bjelonic, F. et al. (2025). Towards Bridging the Gap: Systematic Sim-to-Real Transfer for Diverse Legged Robots. arXiv:2509.06342. Terry의 해설 #82.
22. Dan, P. et al. (2025). X-Sim: Cross-Embodiment Learning via Real-to-Sim-to-Real. arXiv:2505.07096.
23. Ruijie Zheng et al. (2026). EgoScale: Scaling Dexterous Manipulation with Diverse Egocentric Human Data. arXiv:2602.16710. Terry #38.
24. Chi Zhang et al. (2025). UniTacHand: Unified Spatio-Tactile Representation for Human to Robotic Hand Skill Transfer. arXiv:2512.21233. Terry #16.
25. Zilin Si et al. (2025). ExoStart: Efficient Learning for Dexterous Manipulation with Sensorized Exoskeleton Demonstrations. arXiv:2506.11775.
26. Various (2024). Touch100k: A Large-Scale Touch-Language-Vision Dataset for Touch-Centric Multimodal Representation. arXiv:2406.03813.
27. Binghao Huang et al. (2024). 3D-ViTac: Learning Fine-Grained Manipulation with Visuo-Tactile Sensing. arXiv:2410.24091.
28. Yevgen Chebotar et al. (2019). SimOpt: Learning Robotic Skills in Simulation with Sim-to-Real Transfer. DOI:10.1109/icra.2019.8793789.
29. Wenhao Yu et al. (2017). Preparing for the Unknown: Learning a Universal Policy with Online System Identification. DOI:10.15607/rss.2017.xiii.048.
30. Josh Tobin et al. (2017). Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World. DOI:10.1109/iros.2017.8202133.
31. Javier Romero et al. (2017). MANO: A Hand Model with Articulated and Non-rigid Deformations. DOI:10.1145/3130800.3130830.
32. Lerrel Pinto et al. (2016). Supersizing Self-supervision: Learning to Grasp from 50K Tries and 700 Robot Hours. arXiv:1509.06825.
33. Chelsea Finn et al. (2016). Unsupervised Learning for Physical Interaction through Video Prediction. arXiv:1605.07157.
34. Eric Rohmer et al. (2013). V-REP: a Versatile and Scalable Robot Simulation Framework. DOI:10.1109/iros.2013.6696520.
35. Brenna D. Argall et al. (2009). A Framework for Learning from Demonstration. DOI:10.1016/j.robot.2008.10.024.