피지컬 AI가 실제 산업현장에서 다양한 작업을 수행하기 위해서는 주변 환경을 인식하고 판단하는 지능뿐만 아니라, 물체를 정교하게 조작하는 로봇 손 기술이 중요해지고 있다. 이에 국내외 로봇기업들은 사람의 손동작을 학습하고 촉각과 힘을 정밀하게 제어하는 다지형 로봇 손을 개발하며, 범용성과 정밀 조작 능력을 높이는 데 주력하고 있다.

인공지능(AI)이 디지털 세계를 넘어 현실의 물리적 환경으로 나오고 있다. 화면 속에서 질문에 답하고 이미지를 만드는 AI를 넘어, 주변 환경을 인식하고 판단한 뒤 실제 기계를 움직이는 피지컬 AI(Physical AI)가 로봇 산업의 새로운 화두로 떠올랐다.

피지컬 AI라고 하면 사람처럼 움직이는 휴머노이드 로봇을 먼저 떠올리기 쉽지만 적용 범위는 더 넓다. 산업용 로봇과 물류로봇, 이동로봇 등 실제 물리적 환경에서 센서를 통해 주변을 인식하고 행동하는 시스템 전반에 적용될 수 있다. 중요한 것은 AI가 디지털 정보만 처리하는 것에서 끝나지 않고, 물리적 환경과 상호작용하는 과정까지 이어진다는 점이다.

로봇의 행동은 크게 보면 주변을 인식하고, 무엇을 실행할지 결정한 뒤, 모터와 관절을 움직여 실제 행동으로 옮기는 과정으로 이뤄진다. 카메라와 각종 센서가 환경 정보를 받아들이고, 제어 시스템이나 AI가 이를 바탕으로 행동을 결정하면 로봇팔이나 이동 장치, 로봇 손이 이를 실제 움직임으로 구현한다. 피지컬 AI는 이 인식과 판단, 행동 사이를 보다 유연하게 연결하는 데 초점이 맞춰지고 있다.

최근 주목할 변화는 여기에 학습이 본격적으로 결합되고 있다는 점이다. 기존 산업용 로봇은 사람이 미리 지정한 위치와 궤적을 정확하고 빠르게 반복하는 데 강점을 보여왔다. 자동차 용접이나 정해진 위치의 부품 이송처럼 작업 대상과 환경이 일정한 공정에서는 여전히 매우 효율적인 방식이다.

문제는 작업환경의 변수가 커질 때다. 부품의 위치가 조금씩 달라질 수 있고, 잡는 순간 형태가 달라지는 물체도 있다. 사람이 함께 일하는 공간에서는 예상하지 못한 움직임이나 작업 변화도 발생할 수 있다. 하나의 로봇에게 서로 다른 물체와 여러 작업을 맡길수록 가능한 모든 상황을 미리 정의하고 각각의 동작을 설계하는 부담도 커진다.

이 때문에 로봇이 사람의 작업 시연이나 실제 작업 과정에서 얻은 데이터를 활용해 행동을 익히는 접근이 확대되고 있다. 다만 학습이 기존의 제어기술을 모두 대체한다는 의미는 아니다. 정밀한 위치 제어나 힘 제어와 같은 기존 로봇 기술 위에 학습을 결합해, 사람이 일일이 정의하기 어려운 변화에 대응할 수 있는 범위를 넓히는 방향에 가깝다.

이 같은 변화는 로봇의 조작(Manipulation) 능력과 직접 연결된다. 로봇이 물체를 집어 올리는 것뿐 아니라 방향을 바꾸고, 끼우고, 누르고, 당기거나 공구를 사용하는 일까지 모두 조작에 포함된다. 로봇이 작업현장에서 실제 일을하기 위해서는 이동하는 능력만큼이나 주변의 물체를 원하는 상태로 바꾸는 능력이 필요하다.

그리고 조작이 실제로 이뤄지는 지점이 로봇의 말단부다. 산업용 로봇에서는 이를 일반적으로 엔드이펙터(End Effector)라고 부른다. 단순한 두 손가락 그리퍼부터 흡착장치, 전용 툴, 여러 관절을 가진 다지형 로봇 손까지 작업에 따라 다양한 형태가 사용된다.

따라서 모든 피지컬 AI 로봇에 사람과 닮은 손이 필요한 것은 아니다. 정해진 물체 하나를 반복해서 옮기는 작업이라면 단순한 그리퍼가 더 빠르고 효율적일 수 있다. 하지만 다뤄야 할 물체와 작업의 종류가 늘어나면 하나의 말단장치가 얼마나 다양한 조작을 수행할 수 있는지가 중요해진다.

특히 여러 손가락을 이용해 물체를 잡은 상태에서 방향을 바꾸거나, 손 안에서 다시 고쳐 잡는 것처럼 세밀한 동작은 덱스터러스 매니퓰레이션(Dexterous Manipulation) 영역으로 구분된다. 단순히 물체를 놓치지 않고 잡는 것을 넘어 접촉 상태와 힘을 조절하면서 원하는 조작을 수행해야 하기 때문에 로봇학습에서도 난도가 높은 영역으로 꼽힌다.

피지컬 AI의 성능이 높아질수록 로봇이 이해할 수 있는 작업의 범위도 넓어지고 있다. 하지만 AI가 작업의 의미를 이해했다고 해서 실제 작업이 끝나는 것은 아니다. ‘컵을 선반에 놓는다’라는 목표를 알아들었다면 컵의 위치를 찾고, 적절한 힘으로 잡고, 장애물을 피해 이동한 뒤, 넘어지지 않도록 다시 내려놓는 과정이 뒤따라야 한다.

결국 피지컬 AI의 판단을 실제 작업으로 바꾸는 마지막 접점이 로봇 손이다. 무엇을 해야 하는지를 아는 지능과, 그것을 실제 물체에 구현할 수 있는 조작 능력이 함께 갖춰져야 한다.

이 때문에 최근 로봇 업계의 관심은 단순히 더 똑똑한 AI 모델을 만드는 데서 끝나지 않고, 그 지능을 실제 작업으로 연결할 수 있는 로봇 손과 조작 기술로 넓어지고 있다.

대기업도 주목하는 로봇 손

로봇 손 기술에 대한 관심은 전문 로봇기업을 넘어 삼성전자(주), (주)LG, 현대자동차(주) 등 대기업으로도 확산되고 있다. 휴머노이드 로봇과 피지컬 AI를 차세대 로봇 사업으로 보고 있는 기업들이 손과 조작 기술을 별도의 개발 영역으로 다루기 시작했다.

주목할 부분은 로봇 손 개발이 완성된 휴머노이드에 부착할 하나의 부품 개발로만 다뤄지지 않는다는 점이다. 손가락을 움직이는 구동계부터 실제 물체를 잡고 조작하는 제어까지 별도의 기술 영역으로 세분화되고 있다. 휴머노이드가 수행해야 할 작업이 구체화될수록 손 역시 독립적인 연구·개발 대상이 되고 있는 것이다.

이러한 움직임은 로봇 산업의 개발 목표가 실제 작업 수행 능력으로 구체화되고 있다는 점과도 맞닿아 있다. 보행 성능이나 외형적인 완성도만이 아니라, 로봇이 어떤 물체를 다룰 수 있고 어떤 작업을 수행할 수 있는지가 제품의 활용성을 결정하기 때문이다.

이와 더불어 로봇 손과 피지컬 AI를 전문적으로 개발하는 기업들도 조작 기술과 학습 기술을 고도화하며 적용 범위를 넓히고 있다.

사람이 보여준 손기술을 배운다

(주)카본식스코리아는 자사의 제조업 특화 피지컬 AI 솔루션 ‘SigmaKit’을 제조현장에 적용하고 있다.

SigmaKit는 AI 소프트웨어뿐만 아니라 로봇핸드, 티칭 장치, 센서 모듈을 하나의 패키지로 구성한다. 작업자가 직접 작업을 시연하면 이미지와 모션 데이터를 수집하고, AI가 이를 학습해 실제 작업을 수행할 수 있는 로봇 스킬로 전환하는 방식이다.

특히 글러브 기반의 ‘Hand-Held Teaching’을 이용하면 사람이 자연스럽게 움직이는 손동작과 상호 작용 데이터를 수집할 수 있다. 이렇게 모은 데이터를 로봇이 학습해 사람의 시연을 로봇의 자율 동작으로 바꾼다.

여기에서 로봇 손의 역할은 단순히 팔 끝에서 물체를 여닫는 장치와 조금 달라진다. 사람이 가진 작업 노하우를 실제 물체에 적용하는 실행 수단이 되고, 동시에 로봇이 어떤 방식으로 물체와 상호작용해야 하는지를 학습하는 대상이 된다.

카본식스는 SigmaKit를 통해 제조현장의 비정형 작업과 작업 조건 변화에도 대응할 수 있도록 하는 것을 목표로 하고 있다. 결국 사람의 숙련된 동작을 데이터로 확보하고, 이를 로봇이 반복적으로 수행할 수 있는 조작 기술로 전환하는 과정이다.

사람이 작업하는 모습을 학습한다고 해서 모든 문제가 해결되는 것은 아니다. ‘커넥터를 연결하라’라는 명령을 AI가 이해할 수 있다고 해도, 실제 커넥터의 방향을 맞춰 삽입하고 접촉 상태에 따라 힘을 미세하게 조절하는 것은 또 다른 문제다.

미국 컬럼비아대학교에서 분사한 Tangent는 이 영역을 로봇의 ‘미세운동 능력 계층’이라고 정의한다.

Tangent는 로봇 손 하드웨어와 촉각 센싱, 운동학습을 결합해 조립, 실 끼우기, 커넥터 체결, 가스켓 삽입, 스냅 결합, 기어 맞물림, 배선처럼 정교한 접촉이 필요한 작업을 로봇에게 가르치고 있다. 회사는 VLA(Vision-Language-Action) 모델과 같은 AI가 추상적인 의미와 작업 목표를 이해할 수 있더라도, 실제 정밀 조작을 완성하려면 그 아래에 별도의 ‘미세운동 능력’이 필요하다고 설명한다.

쉽게 말해 AI가 ‘무엇을 해야 하는가’를 판단한다면, 로봇 손은 실제 물체와 접촉하면서 해당 작업을 수행하는 역할을 맡는다.

Tangent는 이 부분을 정교한 조작의 ‘마지막 1마일’로 표현한다. 촉각·고유수용감각·비전과 손의 움직임을 결합해 작업 순간에 필요한 미세한 힘과 위치를 조절하는 능력이다.

Tangent가 사람의 손을 그대로 복제하는 것을 목표로 하지 않는다는 것이다. 회사의 로봇 손은 인간 손끝의 움직임을 추적하도록 설계됐지만, 사람의 관절 구조 자체를 그대로 재현하려 하지는 않는다. 중요한 것은 인간의 외형을 복제하는 것보다 인간이 가진 정교한 손기술을 로봇이 수행하도록 만드는 것이라는 접근이다. 이러한 정밀 조작 기술의 학습 가능성은 최근 중국에서 공개된 로봇 손 사례에서도 확인할 수 있다.

최근 중국 애자일링크(AGILINK)가 선보인 사례는 그 방향을 직관적으로 보여준다. 애자일

링크의 로봇 손 ‘OmniHand 3 Ultra’는 쑤저우 자수 명장 푸샹훙에게서 비단실을 가르고, 바

늘에 실을 꿰고, 천을 자수틀에 고정한 뒤 바느질하는 기초 자수 기술을 학습했다.

단순히 물체를 집어 다른 곳에 옮기는 작업과는 성격이 다르다. 비단실은 접촉 방식이 조금만 달라져도 구부러지거나 미끄러진다.

실을 가르기 위해 한 손가락이 개별 실을 분리하는 동안 다른 손가락은 실을 지지하고 일정한 장력을 유지해야 한다. 바늘에 실을 꿰는 과정에서도 위치와 힘, 여러 손가락의 협응이 동시에 필요하다.

OmniHand 3 Ultra는 21개의 능동 자유도를 갖추고 손끝과 손가락 패드, 손바닥에 촉각 감지 기능을 적용했다. 손끝의 비전 기반 촉각센서는 접촉면의 변화를 감지해 얇고 쉽게 변형되는 소재를 다룰 때 피드백을 제공한다. 애자일링크는 이러한 정교 조작 기술을 향후 케이블 취급이나 유연 소재 조립, 정밀부품 작업 등으로 확장할 수 있다고 보고 있다.

이 사례는 단순한 자수 작업의 구현을 넘어 손가락의 협응과 미세한 힘 조절, 접촉 상태에 따른 동작 변화까지 로봇의 학습 대상으로 확장되고 있다는 점에서 의미가 있다. 피지컬 AI의 학습 범위가 로봇의 움직임을 넘어 손가락과 손끝의 정교한 조작으로 확대되고 있는 것이다.

최근 중국 애자일링크(AGILINK)가 선보인 사례는 그 방향을 직관적으로 보여준다. 애자일링크의 로봇 손 ‘OmniHand 3 Ultra’는 쑤저우 자수 명장 푸샹훙에게서 비단실을 가르고, 바늘에 실을 꿰고, 천을 자수틀에 고정한 뒤 바느질하는 기초 자수 기술을 학습했다.

단순히 물체를 집어 다른 곳에 옮기는 작업과는 성격이 다르다. 비단실은 접촉 방식이 조금만 달라져도 구부러지거나 미끄러진다.

실을 가르기 위해 한 손가락이 개별 실을 분리하는 동안 다른 손가락은 실을 지지하고 일정한 장력을 유지해야 한다. 바늘에 실을 꿰는 과정에서도 위치와 힘, 여러 손가락의 협응이 동시에 필요하다.

OmniHand 3 Ultra는 21개의 능동 자유도를 갖추고 손끝과 손가락 패드, 손바닥에 촉각 감지 기능을 적용했다. 손끝의 비전 기반 촉각센서는 접촉면의 변화를 감지해 얇고 쉽게 변형되는 소재를 다룰 때 피드백을 제공한다. 애자일링크는 이러한 정교 조작 기술을 향후 케이블 취급이나 유연 소재 조립, 정밀부품 작업 등으로 확장할 수 있다고 보고 있다.

이 사례는 단순한 자수 작업의 구현을 넘어 손가락의 협응과 미세한 힘 조절, 접촉 상태에 따른 동작 변화까지 로봇의 학습 대상으로 확장되고 있다는 점에서 의미가 있다. 피지컬 AI의 학습 범위가 로봇의 움직임을 넘어 손가락과 손끝의 정교한 조작으로 확대되고 있는 것이다.

로봇 손은 왜 더 정교해지고 있을까

국내 로봇 손 기업들의 기술 방향에서도 같은 흐름을 확인할 수 있다. (주)원익로보틱스는 최근 5지·20자유도의 ‘Allegro Hand V6F’를 선보였다. 손끝과 손가락 관절, 손바닥 등 주요 접촉부의 압력 데이터를 확보해 정밀 조작뿐만 아니라 피지컬 AI 학습에 필요한 데이터를 수집하는 플랫폼으로 로봇 손을 확장한다는 구상이다. 동사는 사람 손을 기준으로 만들어진 원격조작과 모방학습 환경에 보다 자연스럽게 적용할 수 있다는 점을 강조한다.

(주)로보티즈는 로봇 손을 개발하는 이유를 사람에게 맞춰진 환경과 도구에서 찾는다. 문 손잡이나 각종 생활도구처럼 현실의 많은 물체가 사람의 손으로 다루도록 만들어져 있기 때문에, 범용 로봇이 기존 환경을 그대로 활용하려면 사람과 유사한 손이 유리하다는 설명이다. 사람의 손동작을 로봇 관절에 맞춰 변환하고 물체를 잡는 힘까지 함께 구현하는 방향도 제시하고 있다.

(주)테솔로는 학습 데이터 활용과 범용성에 주목한다. 특정 물체 하나를 다루는 작업이라면 단순한 그리퍼가 더 효율적일 수 있지만, 여러 작업을 하나의 로봇이 수행하려면 범용적인 조작 능력이 필요하다. 특히 사람의 행동을 기반으로 로봇을 학습시키려 할 때 인간과 로봇 손의 구조 차이가 커질수록 그 행동을 옮기는 과정도 복잡해진다는 설명이다.

결국 피지컬 AI가 더 많은 인간의 일을 배우려 할수록 ‘무엇을 해야 하는지 아는 지능’과 ‘그 일을 실제로 해낼 수 있는 손’은 함께 발전해야 한다.

그런데 여기에서 한 가지 질문이 남는다. 단순히 물체를 잡는 것이 목적이라면 더 단순한 그리퍼도 충분할 수 있다. 그럼에도 왜 (주)로보티즈, (주)테솔로를 비롯한 여러 기업은 다섯 손가락과 여러 관절로 구성된 사람 손과 유사한 로봇 손을 개발하고 있을지 알아보자.

관련 기사

[Press Vision] 페어이노 코리아, 휴머노이드 로봇 연구자를 위한 양팔 협동로봇 출시

코폰코리아, 관절 구동 모듈 통해 휴머노이드 로봇 시장 진출

(주)웰콘시스템즈, 2026 북미 수출용 ‘AMR·AGV·자동셔틀’ 대량 탑재 쾌거

댓글 0