AI Research7분 분량

공장 시연에 성공한 LG CLOiD, 다른 생산 라인에서도 같은 일을 할 수 있을까?

LG와 NVIDIA는 현장 데이터, 합성 변형, 시뮬레이션, 로봇 내 추론을 CLOiD에 연결했습니다. 두 번째 생산 라인으로 옮길 때 어느 부분을 다시 쓸 수 있을지 살펴봅니다.

K
Ken Jo

로봇이 부품을 트레이에서 다른 트레이로 옮기는 법을 배웁니다. 다음 라인에서 벽이 더 높은 트레이를 쓰고, 조명이 다르고, 작업 주기가 더 짧으면 어떻게 될까요? 멀리서 보면 같은 움직임입니다. 가까이서 보면 물체를 찾고, 통에 닿지 않게 손을 뻗고, 다음 공정이 쓸 수 있을 만큼 정확하게 부품을 놓아야 합니다.

LG전자와 NVIDIA는 실제 제조 환경에서 CLOiD가 물체를 조작하고 제조 작업을 수행한 시연을 공개했습니다. NVIDIA는 한국시간 2026년 11월 9일 AI Day Seoul에서 이 작업을 소개했습니다. 공개된 흐름에는 현실 데이터, NVIDIA Cosmos의 데이터 증강, Isaac GR00T를 이용한 학습, 시뮬레이션 평가, 로봇 안에서 계산을 처리하는 Jetson AGX Thor가 포함됩니다. 양사는 개발과 검증을 반복할 수 있는 과정을 만드는 작업이라고 설명했습니다. NVIDIA Korea 행사 보도 · NVIDIA의 LG 협업 설명

데이터에서 배우는 로봇에 구체적인 질문을 던질 수 있습니다. 스테이션이 바뀌면 팀은 어느 부분을 다시 쓸 수 있을까요? 두 번째 라인으로 옮겨 보는 시험은 첫 스테이션에서 한 번 성공한 것보다 많은 것을 보여 줍니다. 다른 물리 환경에서도 데이터, 시뮬레이션, 제어의 가정이 유지되는지 알 수 있습니다.

팀이 실제로 시연한 일부터 보세요

LG는 CES 2026에서 CLOiD를 가정용 로봇으로 소개했습니다. 1월 발표는 연결된 가정의 집안일을 예로 들었습니다. 11월 자료는 같은 이름의 로봇을 쓴 산업 개발 프로젝트를 설명합니다. 공개 발표에서 플랫폼을 적용한 두 환경을 볼 수 있습니다. 공장 시험에는 자체 부품, 일정, 공정 제약, 안전 요건이 있으므로 공장에 관한 근거는 제조 작업에서 얻어야 합니다. LG의 CES 2026 CLOiD 소개 · NVIDIA의 LG 협업 설명

11월 발표를 통해 협업 과정에서 로봇이 제조 환경의 물체 조작과 제조 작업을 수행했다는 사실을 알 수 있습니다. 반복 횟수, 작업 주기별 시간 분포, 작업자 개입의 정도는 공개되지 않았습니다. 시연 결과를 어디까지 일반화할지 판단한다면 이 세 가지 질문을 열어 두세요. 반복할 수 있는 연구 절차는 평상시 교대 근무에 필요한 신뢰성에 도달하기 전부터 가치를 가질 수 있습니다.

아래 사례는 가정입니다. 공장에서 로봇이 통에서 부품을 집어 다음 공정에 쓰일 고정 장치에 놓게 하려 한다고 해보죠. 알맞은 부품이 정해진 방향으로 정상 작업 시간 안에 장착되고, 다음 주기를 시작할 수 있을 때 성공으로 정의합니다. 몇 번마다 사람이 위치를 고쳐야 한다면 부품을 잡았다는 사실만으로 성공을 증명할 수 없습니다.

두 번째 사례에서는 로봇이 대기 위치에서 빈 운반구를 옮깁니다. 물체는 더 크지만 배치 허용 오차는 넓을 수 있습니다. 손잡이가 일정하고 목적지가 분명하면 첫 전환 과제로 더 쉬울 수 있습니다. 각 작업에서 어느 부분에 변수가 남아 있는지가 중요합니다. 카메라에 보이는 모습, 로봇의 도달 범위, 고정 장치, 다음 스테이션의 상태가 달라질 수 있습니다.

한 학습 주기 안에서도 여러 번 문제를 잡을 수 있습니다

NVIDIA의 협업 발표는 다섯 부분을 연결합니다. 팀이 실제 관찰 자료를 모으고 Cosmos로 데이터를 증강합니다. GR00T로 모델을 학습하고 시뮬레이션으로 평가한 뒤, 로봇 안에서는 Jetson AGX Thor로 계산합니다. NVIDIA의 GR00T 개발자 자료에는 시연 데이터를 사용한 로봇 정책 학습과 물리 환경 배치 전 시뮬레이션 평가 등 일반 흐름이 더 자세히 나옵니다. 이는 참고 플랫폼의 설명입니다. LG가 시연에서 쓴 정확한 모델 버전이나 평가 방식까지 밝힌 것은 아닙니다. NVIDIA 협업 발표 · NVIDIA GR00T 개발 흐름

공장 데이터에 합성 변형을 더하고 로봇 정책 학습과 시뮬레이션을 거쳐 통제된 현장 시험으로 가는 흐름

실제 사례, 시뮬레이션 검사, 물리 환경 시험은 로봇 학습 과정에서 서로 다른 질문에 답합니다. Telli.sh 제작.

수집한 사례부터 봅시다. 사람이 부품을 다루는 시연을 보면 안전하게 잡을 지점, 방향이 바뀌는 방식, 배치가 끝나는 순간을 알 수 있습니다. 잘 비추고 가운데 놓은 부품만 담으면 까다로운 사례에 대한 단서가 적습니다. 시연에 들어간 트레이, 관찰 각도, 부품 종류를 기록해 두면 평가 때 다른 조건을 고를 수 있습니다.

증강을 사용하면 작업자가 장면을 매번 다시 만들지 않아도 통제된 변형을 더할 수 있습니다. 트레이를 옮기는 가상 작업에서는 시뮬레이션 배경이나 호환 트레이의 위치를 바꿔 볼 수 있습니다. 모델이 고정 장면에 의존하는지 확인하는 데 도움이 됩니다. 시각적 변형만으로 실제 그리퍼가 다른 마찰, 무게, 치수를 견딘다는 것을 입증할 수는 없습니다. 질문에 맞는 물리 모델과 실제 스테이션 검사가 필요합니다.

학습한 로봇 정책은 관찰과 작업 목표를 행동에 연결합니다. 사람이 직접 규칙으로 열거하기 번거로운 작은 차이에도 로봇이 대응하도록 도울 수 있습니다. 모델 주변에는 여전히 적절한 도구가 필요합니다. 고정 장치는 물리적으로 배치할 수 있는지를 좌우합니다. 센서는 물체와 스테이션에 대한 근거를 제공합니다. 라인 제어 시스템은 다음 공정을 시작해도 되는지 판단합니다. 학습한 동작이 매끄러워도 이 구성은 중요합니다.

생산 라인이 바뀌면 카메라 화면만 바뀌는 것이 아닙니다

시뮬레이션은 공장 바닥에서 준비하려면 시간이 오래 걸릴 조합을 시험할 수 있습니다. 스테이션을 구체적인 조건으로 모델링하고, 평가 사례를 설명할 수 있게 하세요. 통이 밀린 경우인지, 부품이 일부 가려진 경우인지, 스테이션 신호가 늦은 경우인지 알면 결과를 사용하기 쉽습니다. 종합 수치 하나로 보면 공장에서 매일 겪는 실패가 가려질 수 있습니다. NVIDIA의 Isaac Sim 자료는 물리 기반 장면을 만들고 로봇, 센서, 환경 모델을 넣는 도구를 설명합니다. NVIDIA Isaac Sim 문서

두 번째 라인의 고정 장치 근처에 가이드 레일이 있다고 합시다. 레일 때문에 접근 경로가 바뀌면 이전 동작이 장애물에 너무 가까이 갈 수 있습니다. 카메라는 부품을 정확히 인식할 수 있어 이미지 분류 검사만으로는 문제를 놓칩니다. 전환 시험에는 바뀐 작업 공간에서 로봇이 어떻게 움직이는지가 들어가야 합니다. 시뮬레이션으로 통제된 현장 시험 전에 확인할 조건을 좁힐 수 있습니다.

반대로 고정 장치는 같은데 두 번째 라인의 포장이 더 반사된다고 해보죠. 실제 센서가 포화되거나 밝은 표면 때문에 모서리가 가려져, 시뮬레이션에서 잘된 사례가 실패할 수 있습니다. 학습에 쓰지 않은 실물 사례를 조금 남겨 두세요. 새 정책이 작업을 배운 것인지 학습 환경의 세부에 적응한 것인지 구분하기 쉽습니다.

라인 사이의 변화통제된 비교 방법실물에서 확인할 점
트레이 모양이나 높이새 트레이 형상과 접근 경로를 시뮬레이션승인된 조건에서 충분한 간격과 안정적인 집기
조명이나 포장 마감녹화 또는 시뮬레이션 카메라 조건을 바꿈실제 스테이션에서 인식과 배치
교대 시간이나 처리량예상 시간 제약을 주고 작업을 재현완료 주기 수와 시간 분포
부품 누락 또는 위치 어긋남감지, 안전 정지, 인계 사례를 시험작업자가 정확한 상태를 받고 복구할 수 있는지

기준 스테이션과 두 번째 라인을 학습에서 제외한 조건, 전환 시험, 작업자 검토로 비교

조건을 한 번에 하나씩 바꾸면 전환 실패가 났을 때 팀이 확인할 대상을 좁힐 수 있습니다. Telli.sh 제작.

작업자 개입과 복구 시간도 세어야 합니다

로봇 안에서 계산하면 일부 추론을 장비 가까이에서 처리할 수 있습니다. NVIDIA에 따르면 공개한 LG 작업 흐름에는 Jetson AGX Thor가 포함됐습니다. 로봇 쪽 실행 환경도 평가 대상이 됩니다. 사용할 수 있는 계산량, 카메라 속도, 스테이션 신호 시점이 달라지면 어떻게 되는지 보세요. 시연 한 번은 매끄러워도 반복 실행에서 느린 사례가 얼마나 걸리는지는 아직 측정하지 않았을 수 있습니다. NVIDIA 협업 발표

비교할 때는 완료한 배치, 잘못 놓은 건, 개입, 경과 시간을 분모 또는 측정 구간과 함께 보고하세요. 작업자가 통을 조금 밀어 준 뒤 완료했다면 그 개입을 기록합니다. 부품이 허용 위치를 벗어나 로봇이 올바르게 멈췄다면 정지와 작업자가 정상 상태로 돌린 과정도 남깁니다. 실패 조건에서는 잘 멈춘 것이 기대 결과일 수 있습니다.

가상의 라인 두 개를 비교해 보겠습니다. 한 구성은 20건 중 18건을 개입 없이 정확히 놓고 어려운 두 건에서 멈춥니다. 다른 구성은 20건을 모두 완료하지만 다섯 번의 초기화나 작업자 정정이 필요합니다. 둘 다 CLOiD 시연 결과가 아닙니다. 배치 여부를 판단할 때 최종 결과와 그 결과를 만드는 데 든 노력을 모두 봐야 하는 이유를 보여 줍니다.

시간도 같은 이야기를 합니다. 중앙값이 스테이션에 주어진 시간보다 짧으면 고무적이지만, 가끔 긴 작업 주기가 다음 공정을 막을 수 있습니다. 평상시 작업과 복구 가능한 중단 이후의 완료 시점을 비교하세요. 사람이 개입한 뒤 라인이 준비 상태로 돌아오는 데 걸리는 시간도 봅니다. 공장이 감당할 수 있는 변화 범위에 맞는 작업을 고르는 데 도움이 됩니다.

두 번째 스테이션에서는 재사용 여부를 숫자로 확인할 수 있습니다

  1. 승인된 작업 하나를 범위가 분명하게 정의하고 조건을 기록합니다. 부품, 고정 장치, 기대 최종 상태, 공정 시간, 사람이 인계받는 방법을 넣으세요. 운영·안전 담당팀과 성공 및 정지 기준을 정합니다.
  2. 첫 스테이션의 기준 사례를 모아 표시합니다. 평가용 사례를 조금 따로 보관하고, 어떤 변형이 학습에 쓰이고 어떤 변형이 시험용으로 남았는지 기록합니다.
  3. 스테이션에서 알려진 제약을 시뮬레이션에 넣고 변경을 평가합니다. 두 번째 스테이션을 반영한 상황을 고르고 각 사례를 선택한 이유를 기록합니다. 시뮬레이션이 잘 표현하지 못하는 조건의 근거도 남겨 두세요.
  4. 감독 아래 승인받은 시험을 두 번째 스테이션에서 반복합니다. 비슷한 묶음에서 정확도, 개입, 복구, 시간을 비교하세요. 변경하기 전에 기존 정책으로 소수 사례를 돌려 어떤 조정이 중요했는지 알아볼 수 있게 합니다.
  5. 무엇을 그대로 옮겼고 무엇에 현장 데이터가 필요했으며 무엇 때문에 도구나 공정을 바꿨는지 기록합니다. 이 자료는 세 번째 스테이션의 참고가 되고, 첫 전환에서 실제로 절약한 일을 추정하는 데 도움이 됩니다.

효율적인 시험에는 작업에 맞는 기준도 필요합니다. 고정 장치와 기존 자동화로 반복 작업 하나를 이미 안정적으로 처리한다면 그 방식과 비교하세요. 호환 부품 변형이 여러 개인 스테이션에서는 학습한 정책의 가치가 더 클 수 있습니다. 공정이 바뀔 때마다 다시 들 수 있으므로 데이터 수집, 재시험, 유지보수 시간도 비교에 포함합니다.

유지 비용을 알아보는 한 가지 방법은 승인된 작은 공정 변경을 시험 끝까지 남겨 두는 것입니다. 새 트레이 공급사나 색상만 다른 같은 부품 묶음이면 충분할 수 있습니다. 성능 하락을 누가 알아채는지, 조사에 어떤 기록을 쓰는지, 정상 운영 복귀에 어떤 시험이 필요한지 물으세요. 개발팀이 떠난 뒤에도 두 번째 라인을 책임질 사람이 분명해집니다.

공개된 CLOiD 제조 작업은 로봇 프로젝트가 실제 데이터, 모델 학습, 시뮬레이션, 로봇 안에서의 실행을 연결할 수 있음을 보여 줍니다. 두 번째 라인에서 시험하면 다음 주장을 판단하기 쉬워집니다. 일이 달라졌을 때 어떤 부분이 결과를 재현하는 데 도움이 되는지 정확히 알 수 있습니다.

출처


장비 시험의 메모와 결정을 한곳에 남기려면 Telli.sh 계정을 만들어 보세요.


← 블로그로 돌아가기