[로봇 하드웨어 01] - 로봇 하드웨어란?
Physical AI 관점에서 본 다관절 로봇 하드웨어 - 서론
Physical AI 관점에서 본 다관절 로봇 하드웨어 시리즈
로봇 하드웨어란 무엇일까?
로봇 하드웨어라고 하면 보통 모터나 프레임 같은 눈에 보이는 부품을 먼저 떠올리게 됩니다. 사전적인 의미로만 보면 하드웨어는 단순히 물리적인 구성 요소를 뜻합니다.
하지만 다관절 로봇에서 말하는 하드웨어는 구동 메커니즘, 센서, 제어용 PC를 넘어 모터를 높은 주기(High-Frequency)로 제어하는 임베디드 시스템, 제어 PC와의 통신을 위한 네트워크 구성, 중력 보상 같은 물리 모델 기반 제어, 그리고 보행 로봇의 Floating Base CoM(Center of Mass) 제어나 기본적인 안정성을 확보하기 위한 최적 제어 계열의 제어기까지도 포함합니다. 로봇 공학에서는 이 모든 것을 “하드웨어 레벨”로 묶어서 이야기하는 경우가 많습니다.
엄밀히 말하면 이러한 요소들은 소프트웨어에 속하지만, 이것들이 제대로 갖춰져 있지 않으면 로봇은 실험이나 데이터 수집이 가능한 상태에조차 도달하지 못하기 때문입니다.
그래서 로봇 하드웨어를 단순히 “모터가 많이 달린 기계” 정도로 생각하면 중요한 부분을 놓치게 됩니다. 요즘 화두가 되는 Physical AI 관점에서 보면, 로봇은 단순히 명령을 실행하는 기계가 아니라 물리 세계와 직접 상호작용하는 지능형 시스템에 가깝습니다. 로봇은 직접 힘을 전달하고, 그 힘에 대한 반작용으로 환경이 변하며, 그 변화를 다시 센서를 통해 감지합니다. 이 상호작용의 중심에는 항상 하드웨어가 있습니다.
다양한 다관절 로봇들이 외관상으로는 비슷해 보여도, 실제로 환경과 상호작용하는 방식은 하드웨어마다 크게 다릅니다. 같은 관절 구조처럼 보여도 감속기의 종류와 재질, 감속비에 따라 역구동성(Backdrivability), 즉 외부 힘에 순응하는 기계적 임피던스(Mechanical Impedance) 이 달라지며, 이는 접촉 순간 로봇이 얼마나 단단하게 혹은 부드럽게 반응하는지를 결정합니다.
여기에 로봇 전체의 질량 분포와 관성이 더해지면, 동일한 제어 입력이라도 실제로 전달되는 힘과 가속도는 완전히 달라집니다. 특히 조작(Manipulation)이나 보행(Locomotion)처럼 반복적인 접촉이 포함된 작업에서는 이러한 차이가 시스템의 안정성이나 작업 성공률로 직결됩니다.
센서와 제어 측면도 마찬가지입니다. 제어 주기, 통신 지연과 노이즈, 센서의 감도와 선형성, 히스테리시스(Hysteresis) 특성 등은 제어 성능에 지대한 영향을 미칩니다. 여기에 구조 강성, 관절 강성, 마찰 같은 요소까지 더해지면, 로봇이 만들어내는 상호작용은 수많은 고전역학적·전자기학적 특성들이 결합된 정교한 결과물이 됩니다.
AI와 로봇 하드웨어
로봇 하드웨어의 복잡성은 단순히 기계적인 문제를 넘어, 최신 AI 알고리즘의 적용을 가로막는 본질적인 장벽으로 작용합니다. 이 장벽은 크게 ‘Sim-to-Real Gap’와 ‘Embodiment Gap’라는 두 가지 형태로 나타납니다.
첫 번째는 “Sim-to-Real Gap”입니다. 주로 보행 로봇이나 드론 제어에 많이 쓰이는 강화학습(Reinforcement Learning) 분야에서 두드러지는 문제입니다. 시뮬레이션은 마찰, 기어의 백래시(Backlash), 구조적 유연성, 통신 지연 같은 미세한 물리적 특성을 완벽히 재현하지 못합니다. AI 모델이 시뮬레이션 속 이상적인 물리 법칙에 과적합(Overfitting)되면, 실제 로봇에서는 작은 마찰이나 진동에도 제어기가 발산하거나 엉뚱하게 동작하기 일쑤입니다. 로봇이 환경과 주고받는 힘과 반응은 결국 시뮬레이터가 아닌, 실제 하드웨어가 규정하는 물리적 특성 위에서 결정되기 때문입니다.
두 번째는 “Embodiment Gap”입니다. 이는 대량의 데이터를 수집하여 제어 정책(Policy)을 학습하는 최근의 데이터 기반 접근법(Data-Driven Approach), 즉 VLA 모델이나 모방 학습 등의 범용적 확장을 가로막는 주원인입니다.
단순한 링크 길이나 자유도 같은 기구학적 차이는 리타게팅(Retargeting) 기술로 보정이 가능합니다. 그러나 본질적인 문제는 로봇마다 고유한 동역학적 특성과 힘의 상관관계가 다르다는 점에 있습니다. 동일한 궤적을 추종하더라도, 관절의 마찰, 액추에이터의 관성, 감속기의 백래시, 그리고 제어 대역폭에 따라 로봇이 환경에 가하는 힘과 그에 따른 반작용은 완전히 달라집니다.
예를 들어, 토크 제어 기반의 유연한(Compliant) 로봇에서 수집한 데이터는 위치 제어 기반의 단단한(Stiff) 로봇에 그대로 적용하기 어렵습니다. 수집된 데이터에 내재된 ‘입력-출력’의 매핑 관계가 하드웨어의 임피던스 특성에 따라 상이하기 때문입니다. 결국 하드웨어 플랫폼이 달라지면 로봇이 환경과 상호작용하는 물리적 법칙 자체가 달라지므로, 기껏 수집한 데이터와 학습된 정책의 상호 운용이나 전이(Transfer)가 불가능해지는 것입니다.
결국 AI 기반 로봇 제어의 한계는 알고리즘 그 자체보다, 하드웨어가 규정하는 물리적 조건에서 비롯되는 경우가 많습니다. 하드웨어를 깊이 이해하지 않고서는 Sim-to-Real Gap을 넘어설 수 없고, Embodiment Gap을 극복할 범용적인 데이터셋을 구축하기도 어렵습니다.
로봇 하드웨어의 이해
앞으로 이 블로그에서는 로봇 하드웨어를 여러 계층으로 나누어 다루어 보려고 합니다. 눈에 보이는 기계 구조와 액추에이터부터, 이를 실제로 움직이게 만드는 구동 메커니즘과 센서, 그리고 하위 레벨(Low-level) 제어와 물리 모델 기반 제어까지 다관절 로봇이 동작하기 위해 필요한 하드웨어 요소들을 단계별로 살펴볼 계획입니다.
각 계층이 어떤 역할을 하고, 어디에서 한계가 발생하며, 그 한계가 실제 로봇의 성능이나 AI 기반 제어에 어떤 영향을 주는지 함께 짚어보겠습니다. 로봇을 단순히 사용하는 입장이 아니라, 직접 설계하고 제어하며 문제를 해결해야 하는 관점에서 내용을 정리해보는 것이 목표입니다.
다음 포스트 : [로봇 하드웨어 02] - 엑추에이터(1): 모터
References
[1] https://www.ros.org/news/2016/10/hardware-robot-operating-system-h-ros.html