시뮬레이션 만점 로봇이 공장에서 미끄러지는 이유
가상 공장에서는 로봇이 상자를 정확히 집어 옮기고 같은 동작을 수십만 번 반복해도 바닥에 먼지가 쌓이거나 기어가 마모되지 않습니다.
그러나 실제 공장에서는 바닥의 마찰계수가 구역마다 다르고 부품의 형상과 무게중심에도 미세한 편차가 있습니다. 관절에는 유격이 생기고 모터 온도가 올라가면 같은 명령에도 출력이 달라집니다. 작업자와 설비가 만드는 진동, 케이블 장력 같은 변수도 움직임에 영향을 줍니다.
가상 훈련에서 배운 정책이 현실에서 동일하게 작동하지 않는 현상을 Sim-to-Real Gap, 즉 시뮬레이션과 현실의 격차라고 부릅니다. 시뮬레이션은 강력한 학습 도구이지만 물리 세계를 목적에 맞게 단순화한 모델이므로 현실과의 차이를 완전히 없애지는 못합니다.
핵심 요약
Sim-to-Real Gap은 그래픽이 현실적으로 보이지 않아서 생기는 문제가 아닙니다.
핵심 병목은 손과 발이 물체에 접촉하는 순간 모터 명령이 기어를 거쳐 실제 힘으로 바뀌는 과정, 그리고 현실에서만 발생하는 작은 오차가 연속적으로 누적되는 데 있습니다.
목차
- 시뮬레이션 점수만으로 공장 성능을 판단할 수 없는 이유
- 현실은 접촉하는 순간 복잡해집니다
- 백래시와 역구동성이 만드는 마지막 1인치
- 합성 데이터는 11시간 만에 무엇을 만들었나
- 32.4%에서 71.8%로 오른 수치의 정확한 의미
- 현대차그룹은 왜 RMAC을 만드는가
- 공장 데이터가 곧바로 해자가 되지는 않는다
- 투자자가 확인해야 할 로봇 상용화 지표
1. 시뮬레이션 점수만으로 공장 성능을 판단할 수 없는 이유
일부 산업 자료에는 시뮬레이션 성공률 95%, 현실 배치 성능 45%라는 수치가 제시됩니다. 격차는 50%포인트입니다.
다만 이 숫자를 로봇 산업 전체에 적용되는 보편적 통계로 사용해서는 안 됩니다. 동일한 로봇과 작업, 센서, 평가 기준을 유지한 채 95%와 45%를 직접 비교한 공개 1차 연구는 확인되지 않았습니다.
Sim-to-Real Gap의 존재는 여러 연구가 뒷받침하지만 격차의 크기는 작업에 따라 달라집니다. 평평한 바닥을 걷는 일과 천을 접는 일, 규격 상자를 옮기는 일과 전선을 끼우는 일은 필요한 물리 모델과 센서가 서로 다릅니다.
따라서 “현실에 가면 언제나 성공률이 50%포인트 떨어진다”고 해석해서는 안 됩니다.
핵심은 시뮬레이션 점수만으로 실제 공장 성능을 예측할 수 없으며 동일 작업을 현실에서 다시 검증해야 한다는 것입니다. 시뮬레이션은 성능을 보증하는 인증서가 아니라 현실 시험에 앞서 실패 가능성을 빠르게 줄이는 필터에 가깝습니다.
2. 현실은 접촉하는 순간 복잡해집니다
로봇이 빈 공간에서 팔을 움직이는 문제는 비교적 단순합니다. 어려움은 로봇 손이 부품에 닿는 순간 시작됩니다.
현대 물리 엔진은 마찰과 접촉, 천과 같은 연성 물체도 모델링할 수 있습니다. 문제는 모든 현상을 높은 정밀도로 계산할수록 연산량이 급격히 늘어난다는 점입니다.
접촉 순간에는 정지 마찰, 미끄러짐, 반발, 여러 접촉점의 힘 분배가 동시에 일어납니다. 계산 속도를 높이기 위해 이를 단순화하면 시뮬레이션에서는 안정적이던 잡기 동작이 현실에서 물체를 놓치거나 비틀 수 있습니다.
케이블, 가죽, 천, 고무 같은 변형체는 더 어렵습니다. 같은 지점을 잡아도 접힘 상태, 장력과 이전 움직임에 따라 다음 형태가 달라지기 때문입니다. 변형체 조작 연구에서도 시뮬레이터에 따라 현실 격차와 계산 안정성에 차이가 나타났습니다.
3. 백래시와 역구동성이 만드는 마지막 1인치
AI가 관절을 1도 움직이라고 명령해도 출력축이 정확히 1도 움직인다는 보장은 없습니다. 명령이 모터와 감속기, 베어링, 링크를 통과하는 동안 기계적 특성이 개입합니다.
백래시: 방향을 바꿀 때 생기는 빈 구간
백래시(Backlash)는 맞물린 기어 사이의 틈 때문에 회전 방향을 바꿀 때 모터가 움직여도 출력축에 힘이 즉시 전달되지 않는 현상입니다.
자동차 운전대가 조금 헐거워져 방향을 바꿀 때 바퀴가 바로 반응하지 않는 상황과 비슷합니다.
이 유격은 관절 위치 오차, 방향 전환 시 충격과 진동, 반복 동작의 편차, 손끝 위치와 접촉력의 불일치를 만듭니다. 마모와 하중 방향에 따라 크기가 달라질 수 있어 학습 당시 로봇과 장기간 사용한 로봇이 같은 명령에 다르게 반응할 수도 있습니다.
역구동성: 외부 힘을 받아들이는 관절의 성질
역구동성(Back-drivability)은 관절 출력축에 가해진 외부 힘이 감속기와 모터 쪽으로 얼마나 부드럽게 전달되는지를 뜻합니다.
역구동성이 높은 관절은 사람이 밀거나 물체와 충돌했을 때 비교적 자연스럽게 움직일 수 있어 접촉력 감지, 충격 흡수와 협업 안전에 유리합니다.
반대로 감속비와 내부 마찰이 크면 관절을 단단히 고정하기는 쉽지만 외부 힘에 뻣뻣하게 반응할 수 있습니다. 힘 제어가 중요한 로봇에서는 강한 모터만큼, 힘을 감지하고 양보한 뒤 자세를 회복하는 설계가 중요합니다.
백래시와 역구동성은 소프트웨어 옵션이 아닙니다. 감속기 구조, 모터 크기, 센서 배치, 제어 주기와 열관리까지 함께 설계해야 합니다. 현실의 마지막 1인치가 AI 모델만으로 해결되지 않는 이유입니다.
4. 합성 데이터는 11시간 만에 무엇을 만들었나
합성 데이터는 실제 로봇을 파손할 위험 없이 다양한 실패 상황을 만들고 조명·배경·물체 위치를 바꾸며 같은 작업을 반복할 수 있다는 장점이 있습니다.
NVIDIA는 Isaac GR00T 기반 파이프라인으로 78만 개의 합성 궤적을 11시간에 생성했다고 밝혔습니다. 회사는 이를 사람 시연 약 6,500시간에 해당하는 양으로 설명했습니다. 두 시간량을 단순 비교하면 약 591배입니다.
그러나 이 수치는 현실 작업 6,500시간 전체를 11시간 만에 완전히 대체했다는 의미가 아닙니다. 소량의 사람 시연을 확장해 대규모 합성 궤적을 만든 특정 사례입니다.
출발점이 되는 시연, 시뮬레이션 환경 구축, 데이터 검수와 실제 로봇 검증은 여전히 필요합니다. NVIDIA 역시 합성 데이터와 실제 데이터를 함께 사용했을 때 성능이 개선됐다고 설명합니다.
두 데이터의 역할은 다릅니다.
- 합성 데이터는 다양한 상황을 빠르게 경험하게 합니다.
- 현실 데이터는 시뮬레이터가 놓친 오차를 찾아냅니다.
- 실제 배치 시험은 수정한 모델이 현장에서 작동하는지 확인합니다.
합성 데이터가 강해질수록 사전학습의 진입 장벽은 낮아질 수 있습니다. 이후 경쟁력은 현실의 실패를 얼마나 빠르게 수집·정제해 모델에 다시 반영하느냐에서 갈릴 가능성이 큽니다.
5. 32.4%에서 71.8%로 오른 수치의 정확한 의미
현장 데이터의 효과를 보여주는 구체적인 연구도 있습니다.
스탠퍼드대학교와 Toyota Research Institute 연구진은 이동형 로봇을 동아시아 도서관에 배치해 서가 이미지를 수집했습니다. 사전학습된 Qwen2.5-VL 모델은 손상되거나 가려지고 빛이 바랜 도서 라벨을 식별하는 평가에서 32.4%의 정확도를 기록했습니다.
연구진이 로봇이 수집한 이미지 중 5,019장을 정제해 미세조정하자 정확도는 71.8%로 높아졌습니다. 개선 폭은 39.4%포인트였습니다.
이 결과가 직접 보여주는 것은 인터넷 사전학습 데이터에 충분히 포함되지 않은 손상, 가림, 저해상도와 다국어 환경을 현장 데이터가 보완할 수 있다는 점입니다.
다만 이를 “로봇 조작 성공률이 32.4%에서 71.8%로 올랐다”거나 “힘·촉각 데이터를 넣자 공장 작업 성공률이 71.8%가 됐다”고 표현해서는 안 됩니다.
이 연구의 평가지표는 특정 도서 식별 과제의 시각 인식 정확도입니다. 액추에이터 제어나 조립 작업 성공률을 측정한 실험은 아닙니다.
그럼에도 범용 모델이 현실 조건을 로봇이 직접 수집하고 데이터를 정제해 다시 학습시키는 폐쇄형 데이터 플라이휠의 가능성을 보여준다는 의미는 분명합니다.
6. 현대차그룹은 왜 RMAC을 만드는가
현대차그룹이 발표한 RMAC의 역할도 이 데이터 순환 구조와 연결됩니다.
RMAC은 Robot Metaplant Application Center의 약자로, 로봇이 들기·회전·복구 같은 동작을 반복 훈련하고 검증하는 시설입니다. 현대차그룹은 RMAC 훈련 데이터와 실제 Software-Defined Factory에서 발생한 운영 데이터를 결합해 로봇을 재훈련하는 구조를 제시했습니다.
공식 발표에 따른 일정은 다음과 같습니다.
- RMAC은 미국에서 2026년 개소 예정
- RMAC에서 훈련된 아틀라스는 2028년 HMGMA 부품 서열 작업에 우선 투입
- 2030년에는 조립 등 더 복잡한 작업으로 확대
- 현대차그룹은 2028년까지 연간 3만 대 규모의 로봇 생산체제 구축을 목표로 제시
이는 이미 실현된 생산량이나 확정 배치 대수가 아니라 회사가 발표한 계획입니다.
Boston Dynamics도 2026년 생산형 아틀라스의 RMAC 선적 계획을 발표했습니다. 다만 2026년 7월 30일 기준 ‘8월 공식 가동 개시’와 최초 배치 대수는 현대차그룹이나 Boston Dynamics의 공개 자료에서 확인되지 않았습니다. 공식적으로 확인되는 범위는 2026년 개소와 선적 계획까지입니다.
RMAC의 가치는 시설 자체보다 다음 과정이 짧게 연결될 때 생깁니다.
작업자 시연 → 로봇 훈련 → 공장 배치 → 실패 기록 → 데이터 정제 → 모델·제어 수정 → 재배치
현대모비스의 액추에이터 개발, Boston Dynamics의 로봇 설계, 현대차·기아의 제조 공정과 품질관리 역량이 연결되면 소프트웨어와 하드웨어에서 발생한 오차를 함께 추적할 수 있습니다. 현대차그룹은 현대모비스가 Boston Dynamics와 고성능 액추에이터와 부품 공급망을 개발한다고 밝혔습니다.
7. 공장 데이터가 곧바로 해자가 되지는 않는다
공장을 많이 보유했다고 해서 자동으로 로봇 데이터 경쟁력이 생기는 것은 아닙니다.
현장에서는 많은 영상과 센서 신호가 발생하지만 어떤 동작이 왜 실패했는지 구분되지 않으면 학습 자료로 쓰기 어렵습니다.
로봇이 부품을 놓친 원인은 카메라의 위치 인식 오류일 수도 있고 그리퍼 힘 부족, 표면의 오일, 기어 백래시, 통신 지연이나 모터 발열일 수도 있습니다. 성공과 실패 영상만 모아서는 무엇을 고쳐야 하는지 알기 어렵습니다.
진짜 해자는 데이터 총량보다 다음 역량의 결합에서 만들어집니다.
- 실패와 예외를 자동으로 감지하는 평가 체계
- 영상·힘·토크·촉각·온도 데이터를 같은 시간축으로 맞추는 기술
- 실패 원인을 분류하고 학습 가능한 형태로 정제하는 능력
- 수정된 모델과 제어기를 공장에 안전하게 재배포하는 운영 체계
- 데이터와 개선 결과를 지속적으로 사용할 수 있는 계약상 권리
가상 데이터가 늘어난다고 소프트웨어 기업의 가치가 사라지는 것은 아닙니다. 시뮬레이션은 위험한 상황을 저비용으로 시험하고 실제 장비의 파손과 생산 중단을 줄이는 핵심 도구입니다.
더 정확한 해석은 이렇습니다.
시뮬레이션의 가치가 낮아지는 것이 아니라 시뮬레이션을 현실 데이터와 연결하지 못하는 기업의 한계가 더 분명해집니다.
8. 투자자가 확인해야 할 로봇 상용화 지표
휴머노이드의 상용화 속도를 판단할 때는 시연 영상의 화려함보다 공장 운영 지표를 봐야 합니다.
첫째, 평균 성공률보다 연속 작업 성공률
한 동작의 성공률이 99%여도 100단계가 이어지면 전체 작업의 성공 가능성은 크게 낮아질 수 있습니다. 실패 후 사람의 개입 없이 스스로 복구할 수 있는지도 중요합니다.
둘째, 사이클 타임과 품질 편차
작업을 한 번 성공하는 것으로는 부족합니다. 기존 설비와 비슷한 시간 안에 수행하고 부품 손상과 조립 편차를 허용 범위 안에 유지해야 합니다.
셋째, MTBF와 복구 시간
산업용 로봇의 MTBF는 제품과 계산 방식에 따라 차이가 큽니다. FANUC는 특정 로봇 하드웨어에 10만 시간 MTBF 등급을 언급했으며 ABB는 과거 자동차 공장 사례에서 7만 5,400시간의 MTBF를 제시했습니다. ABB 일부 모델에는 40만 시간의 설계 목표도 있어 산업용 로봇 전체를 일률적으로 5만~10만 시간이라고 단정하기는 어렵습니다.
반면 현재 생산형 휴머노이드는 기업 간 동일 조건으로 비교할 수 있는 표준화된 공개 MTBF 자료가 부족합니다.
Boston Dynamics가 공개한 생산형 아틀라스 사양에는 일반 사용 기준 4시간 배터리, 자동 배터리 교체, 현장에서 5분 이내에 교체하도록 설계된 팔다리 구조가 포함돼 있지만 MTBF 수치는 공개되지 않았습니다.
따라서 ‘현 휴머노이드의 MTBF는 24시간에서 수백 시간 미만’이라는 수치를 산업 전체의 확정 통계로 사용해서는 안 됩니다. 실제 고객 시설의 누적 가동시간, 고장 유형, 평균 수리시간, 부품 교체 주기와 사람 개입 횟수를 확인해야 합니다.
넷째, 열관리와 출력 저하
한 번 무거운 부품을 드는 것과 여러 시간 반복하는 것은 다른 문제입니다. 모터와 인버터, 감속기의 온도가 올라가면 보호를 위해 출력이 제한될 수 있습니다.
고중량 작업에서는 순간 최대 하중보다 지속 하중, 작업 주기와 냉각 조건이 중요합니다. 공개된 아틀라스 사양은 순간 50kg, 지속 30kg 하중과 4시간 배터리이지만 관절별 실측 토크밀도는 공개돼 있지 않습니다.
다섯째, 계획과 실적의 구분
연간 3만 대 생산능력 목표는 실제 판매량이나 공장 배치량이 아닙니다. RMAC 개소 역시 Sim-to-Real Gap이 즉시 사라진다는 뜻이 아닙니다.
초기에는 반복적이고 작업 범위가 명확한 서열화나 자재 이동부터 시작하고 신뢰성과 복구 능력을 확인한 뒤 조립 같은 접촉 중심 작업으로 확대될 가능성이 높습니다. 현대차그룹이 2028년 서열 작업, 2030년 조립이라는 단계적 일정을 제시한 것도 이러한 성숙 과정과 연결해 해석할 수 있습니다.
결론: 로봇의 승부는 현실에서 다시 시작됩니다
합성 데이터와 시뮬레이션은 위험한 실패를 가상에서 반복하고 부족한 시연 데이터를 빠르게 확장하며 실제 장비 제작 전에 설계를 검증할 수 있게 합니다.
그러나 시뮬레이션의 높은 점수는 현실 공장에 들어가기 위한 입장권일 뿐입니다.
현실에서는 미끄러짐, 접촉, 마모, 발열, 유격과 외부 충격이 함께 발생합니다. 이를 해결하려면 AI 모델뿐 아니라 센서, 액추에이터, 감속기, 열관리, 유지보수와 안전 시스템도 함께 성숙해야 합니다.
장기적인 경쟁력 역시 공장을 보유하거나 합성 데이터를 많이 생성하는 것만으로 결정되지 않습니다.
현실에서 발생한 실패를 정확하게 측정하고 원인을 소프트웨어와 하드웨어로 나눠 수정한 뒤 다시 공장에 배포하는 속도가 핵심입니다.
따라서 기업과 기술을 판단할 때 시뮬레이션 성공률보다 다음 질문이 더 중요합니다.
“이 회사는 현실에서 실패한 로봇을 얼마나 빨리 학습 가능한 데이터로 바꾸고 더 신뢰할 수 있는 하드웨어와 제어기로 되돌려 보낼 수 있는가?”
Sim-to-Real Gap은 시뮬레이션의 실패를 뜻하지 않습니다. 가상에서 시작한 학습이 현실의 검증을 거쳐야 산업 기술이 된다는 뜻입니다.
<실제 사용한 공개 자료>
- Aljalbout 외, The Reality Gap in Robotics: Challenges, Solutions, and Best Practices, 2025.
- Le Lidec 외, Contact Models in Robotics: a Comparative Analysis, 2023.
- Blanco-Mulero 외, Benchmarking the Sim-to-Real Gap in Cloth Manipulation, 2023.
- NVIDIA, Building a Synthetic Motion Generation Pipeline for Humanoid Robot Learning, 2025년 3월 18일.
- Grannen 외, Robot-Powered Data Flywheels, 2025년 11월 24일.
- 현대자동차그룹, AI Robotics Strategy at CES 2026, 2026년 1월 5일.
- Boston Dynamics, Boston Dynamics Unveils New Atlas Robot to Revolutionize Industry, 2026년 1월 5일.
- Boston Dynamics, Atlas Humanoid Robot 및 Enterprise Robotics, Redefined, 2026년 7월 확인.
- FANUC America 및 ABB 공개 자료.
