2026-06-07

보스턴 다이내믹스의 Atlas가 냉장고를 들어 올리는 법을 배우다: 시뮬레이션에서 훈련된 전신 제어가 적재 한계를 넘어 일반화하다

— 조회

2026년 5월 중순 보스턴 다이내믹스는 기술 블로그와 영상을 공개해, 전동 Atlas가 팔만이 아니라 전신 제어를 사용해 무거운 가전을 들어 올리고 운반하는 모습을 보여 주었다. 이 정책은 거의 전적으로 시뮬레이션 내에서 도메인 무작위화를 동반한 강화학습으로 훈련되었으며, 훈련한 50~70파운드 범위를 넘는 적재로 일반화되었다. 이는 인간형 로봇이 연출된 시연에서 힘이 큰, 접촉이 많은 작업으로 넘어가고 있음을 보여 주는 구체적인 데이터 포인트다.

무엇이 공개되었는가

2026년 5월 중순 보스턴 다이내믹스는 기술 블로그(날짜는 5월 18일, 저자는 Alberto Rodriguez, Shane Rozen-Levy, Vinay Kamidi)와 두 편의 영상을 내놓아, 전동 Atlas 인간형 로봇이 무거운 가정용 전자제품을 집어 들고, 운반하고, 내려놓는 모습을 보여 주었다. 대표 클립은 약 50파운드짜리 미니 냉장고다. 더 흥미로운 주장은 그 아래에 있다: 팀이 내부 테스트에서 냉장고를 100파운드 넘게, 즉 훈련한 무게 구간을 넘겨 적재했을 때, 동일한 학습된 정책이 재훈련 없이 버텨 냈다는 것이다. Atlas는 약 110파운드(50kg)를 다룰 수 있도록 사양이 정해져 있다.

이 시연의 요점은 대상물이 아니다. 방법이다. Atlas는 전신 제어를 사용해 들어 올리며, 다리를 정지된 받침대로 고정하고 팔로 뻗는 대신, 다리, 엉덩이, 몸통, 어깨, 팔을 하나의 협응된 시스템으로 다룬다. 적재가 무거울 때 다리는 균형을 위해 조정되고, 몸통은 평형추 역할을 하며, 팔은 대상물을 위치시키는 한편 몸의 나머지 부분은 질량이 실제로 자리한 곳을 보상한다. Atlas 제어 부책임자 Benjamin Stephens가 말했듯, “온몸을 거기에 쏟아부어라, 그게 말하자면 발상이었다.”

왜 시각이 아니라 고유수용감각이 들어 올리기를 떠받치는가

시사적인 세부 사항: 로봇은 주로 가전을 시각적으로 식별한 다음 그것을 중심으로 계획하지 않는다. 그것은 고유수용감각, 즉 신체 위치와 힘에 대한 내적 감각에 의존하여, 모든 관절에 걸쳐 무게 분포, 그립 저항, 균형을 한꺼번에 실시간으로 읽어 낸다. 그것이 바로 단일 정책이 훈련 중 어떤 적재보다도 무거운 것을 흡수할 수 있게 하는 것이다. 신체는 관절 토크를 통해 여분의 질량을 느끼고 안정을 유지하기 위해 무게중심을 이동시키며, “이것은 냉장고이고 무게는 X다”라고 말해 주는 시각 모델을 필요로 하지 않는다.

이 틀이 중요한 이유는 공개된 조작 시연의 대부분이 시각-언어-행동 파이프라인에 크게 의존하기 때문이다. 힘이 지배적이고 접촉이 많은 작업(들어 올리기, 기대기, 버티기)은 바로 시각 우선 스택이 고전하는 지점이자, 전신 힘 피드백이 제값을 하는 지점이다.

어떻게 훈련되었는가

이 방식은 점점 더 표준적인 시뮬레이션에서 현실로(sim-to-real) 가는 운영 지침서이며, 깔끔하게 실행되었다:

Stage	What happened
Seed	A simple reference animation sketches roughly what the lift should look like
Reinforcement learning	Atlas practices in simulation, rewarded for keeping the fridge stable, holding grip and staying balanced
Domain randomization	Weight, fridge position, floor friction, grip level and even motor-strength variations are scrambled across thousands of variants
Scale	”Millions of hours” of practice run in parallel on GPUs, compressing years of physical reps into weeks

두 가지가 두드러진다. 첫째, 타임라인: 보스턴 다이내믹스는 이 동작이 1월 Atlas의 CES 2026 공개 데뷔로부터 몇 주 안에 갖춰졌다고 말한다. 둘째, 이 일반화는 무작위화의 직접적인 보상이다. 정책이 시뮬레이션 내에서 폭넓은 범위의 무게와 마찰 조건을 보았기 때문에, 100파운드 넘는 실세계 적재는, 어떤 단일 훈련 에피소드도 그 정확한 질량을 사용하지 않았음에도, 사실상 다룰 수 있도록 학습한 분포 안쪽에 들어왔다.

이 작업은 또한 2025년 8월의 보스턴 다이내믹스와 도요타 리서치 인스티튜트(Toyota Research Institute)의 이전 “대형 행동 모델”(large behavior model) 작업—플로 매칭(flow-matching) 목적함수를 갖추고 30 Hz로 동작하며 수십 가지 정교한 작업을 학습한 450M 파라미터 확산-트랜스포머 정책—위에 놓여 있다. 2026년 5월의 중량물 들어 올리기 결과는 그 조작 계열에 대한 이동 더하기 힘의 보완이다: 식탁보를 개는 것보다는, 무거운 것을 나르는 동안 넘어지지 않는 것에 관한 것이다.

현실 점검

양산 격차를 시야에 두라. 보스턴 다이내믹스의 모회사인 현대(Hyundai)는 2028년까지 조지아주 서배너(Savannah) 인근 Metaplant에서 연간 30,000대의 Atlas를 생산하겠다는 목표를 밝혔으며, 부품 순서 배열 같은 저위험 작업으로 2028년부터 공장 배치를 시작한다. 그에 비해 전직 직원들은 현재 산출을 대략 월 4대로 묘사했다. 깔끔한 시뮬레이션 훈련 들어 올리기 정책과 연 30,000대 라인은 매우 다른 문제이며, 후자는 주로 기계공학, 공급망, 수율이지 학습이 아니다.

실무자 노트

로봇 정책을 구축한다면, 이전 가능한 교훈은 “시딩 더하기 무작위화” 조합이다: 탐색을 한정하기 위한 거친 참조 궤적, 그다음 공격적인 도메인 무작위화(특히 마찰과 모터 강도처럼 런타임에 정밀하게 측정할 수 없는 물리 매개변수에 대해)를 통해, 배치된 정책이 사양 밖 조건을 그저 또 하나의 표본으로 다루도록 하는 것이다. 훈련 범위를 넘어선 적재가 작동했다는 사실은, 명목상의 목표 무게가 아니라 무작위화가 실제 역량의 외피를 정의했다는 신호다. 인간형 로봇 공급업체를 평가하는 누구든, 깔끔한 시각-언어 집기-놓기 영상만이 아니라 힘이 큰 작업과 고유수용감각 제어에 대해 구체적으로 물어야 한다. 왜냐하면 접촉이 많은 작업이야말로 어렵고 거의 보여 주지 않는 실패가 도사리는 곳이기 때문이다.

충분히 고려되지 않은 각도

모두가 손재주, 손끝의 것들을 벤치마크한다. 인간형 로봇이 적재에 대해 틀리고도 회복하는 능력을 벤치마크하는 사람은 훨씬 적은데, 그것은 사람 가까이에서 무거운 것을 들어 올리는 어떤 로봇에게든 틀림없이 안전상 중대한 경우다. 예상보다 무거운 물체를 전신 보상을 통해 우아하게 흡수하는 정책은, 조용하게, 역량의 결과인 동시에 견고성의 결과이기도 하다. 흥미로운 미해결 질문은 실패 경계다: 얼마나 예상치 못한 무게에서, 또는 운반 도중 대상물의 무게중심이 어떤 갑작스러운 이동을 할 때, 고유수용감각 회복이 무너져 로봇이 적재를 떨어뜨리거나 넘어지는가? 이 기계들이 실제 사람 옆 실제 바닥에서 신뢰할 만한지를 결정하는 것은 깔끔한 냉장고 들어 올리기가 아니라 그 가장자리이며, 그것이야말로 다듬어진 시연 영상이 결코 보여 주지 않는 바로 그 숫자다.