UR AI Trainer는 사람이 리더 로봇팔을 움직이면 팔로워 로봇팔이 같은 작업을 따라 하면서 동작·힘·영상을 함께 기록하는 산업용 모방학습 데이터 셀이다. 한 번의 시연이 배포 가능한 정책이 되는 것은 아니다. 시간 동기화, 좌표계, 성공·실패·개입 라벨과 권리 정보를 함께 남겨야 학습에 쓸 수 있다.
사람이 잘한 한 번의 동작부터 데이터가 흔들린다
Universal Robots와 Scale AI는 2026년 3월 이 시스템을 공개했다. GTC 시연에는 UR3e 리더와 UR7e 팔로워가 사용됐다. 발표에 나온 ‘10만대 이상 산업 배치’는 Universal Robots 하드웨어의 활용 맥락이지 UR AI Trainer 설치 대수가 아니다.
작업자가 부품을 잡고 지그에 끼우는 동안 손의 경로는 매번 조금씩 다르다. 리더 암의 마찰과 무게, 팔로워 암의 추종 지연, 카메라 가림, 힘 센서 영점 오차가 겹친다. 결과가 성공해 보여도 어떤 접촉이 핵심이었는지, 우연한 움직임이 무엇인지 분리하지 않으면 모델은 잘못된 습관을 배울 수 있다.
모방학습 데이터의 첫 질문은 ‘사람처럼 움직였는가’가 아니라 ‘작업 성공에 필요한 상태와 행동이 정확히 기록됐는가’다. 시연자는 천천히 성공하는 동작만 보여주기 쉽지만, 현장 정책에는 미끄러짐, 부품 방향 오류, 지그 공차와 재시도도 필요하다.
리더에서 팔로워까지 신호가 지나가는 길을 기록한다
| 경로 | 남겨야 할 데이터 | 깨지기 쉬운 지점 | 복구 기준 |
|---|---|---|---|
| 작업자→리더 암 | 관절·말단 자세, 힘·토크, 작업 단계 | 사람의 망설임, 리더 마찰 | 의도한 행동과 탐색 동작 구분 |
| 리더→팔로워 암 | 명령·실제 자세, 추종 오차, 접촉 | 지연, 좌표계·도구 보정 오류 | 허용 오차 초과 샘플 격리 |
| 카메라→로그 | 영상 시각, 노출, 카메라 자세 | 프레임 드롭, 가림, 시계 불일치 | 공통 타임스탬프로 재정렬 |
| 로그→학습셋 | 성공·실패·개입, 장비·부품 버전 | 좋은 사례만 남는 선택 편향 | 검수·제외 이유와 버전 추적 |
양사는 동작, 힘, 영상이 동기화된다고 설명하지만 공개 발표에는 센서별 샘플링률, 시계 오차, 보정 주기까지 나오지 않는다. 도입 조직은 이 공백을 계약과 인수시험에서 채워야 한다. 데이터셋을 합칠 때 좌표계와 시간축이 다르면 같은 접촉 사건이 서로 다른 순간으로 학습된다.
복구 동작이 빠지면 성공 데이터만 남는다
팔로워가 부품을 놓쳤을 때 작업자가 리더 암으로 다시 잡는 동작은 잡음이 아니라 중요한 복구 예시다. 그런데 수집자가 ‘깔끔한 시연’만 남기면 모델은 정상 궤적은 따라도 실패 뒤 무엇을 해야 하는지 배우지 못한다. 개입 직전 상태와 사람이 선택한 복구, 복구 성공 여부를 연속해서 보존해야 한다.
사람 개입 데이터를 남기는 방법처럼 개입 원인, 시각, 제어권 이동, 수정 행동과 잔여 위험을 함께 기록하면 데이터가 실제 운영 질문에 답한다. 개입을 단순 삭제하면 모델 성능 지표는 좋아 보여도 현장 예외는 그대로 남는다.
시연 데이터의 잔여 위험은 권리와 편향에도 있다
카메라에는 작업자 얼굴, 동료, 공장 배치, 제품과 고객 정보가 들어갈 수 있다. 동작 궤적에는 숙련 작업자의 노하우가 담긴다. 수집 동의, 사용 목적, 보존기간, 외부 전송, 재학습과 파생 모델의 권리를 정하지 않으면 기술적으로 좋은 데이터도 사용할 수 없다.
로봇 데이터의 동의·라이선스·재사용 기준을 수집 전에 적용해야 한다. 작업자별 시연 수가 지나치게 다르거나 숙련자 성공 사례만 모이는 편향도 확인해야 한다. 특정 신장·속도·손잡이 습관을 정책의 정답으로 굳히지 않기 위해서다.
공장 배포 전에는 데이터가 아니라 정책을 따로 시험한다
수집 셀이 같은 생산 하드웨어를 쓰는 것은 lab-to-factory 간극을 줄이는 데 유리하다. 그래도 시연을 기록한 하드웨어와 학습 정책을 실제 라인에서 안전하게 실행하는 문제는 별도다. 모델 지연, 예측 불확실성, 새로운 부품, 작업자 접근, 안전정지와 재가동을 검증해야 한다.
데이터 셀의 팔로워가 잘 따라간다고 정책도 같은 방식으로 따라가는 것은 아니다. 수집 때에는 사람이 매 순간 리더를 움직여 폐루프를 닫지만, 배포 때에는 모델이 관찰을 해석하고 다음 행동을 선택한다. 시각 지연과 누적 위치 오차가 새로 생기므로 수집 재현 시험과 자율 정책 시험을 다른 성적표로 관리해야 한다.
- 훈련에 없던 부품 방향·조명·공차에서의 실패율
- 접촉 힘과 사이클타임의 허용 범위
- 정책 불확실성 또는 이상 상태에서의 안전정지
- 사람이 제어권을 인수한 뒤 정상 복귀하는 절차
- 모델·데이터·장비 버전별 결과 재현성
수집, 큐레이션, 학습, 오프라인 평가, 제한 구역 파일럿, 본배치를 단계로 나누는 편이 안전하다. 단계별로 데이터·모델·장비 버전과 승인자를 남겨야 다음 단계의 실패를 앞 단계 자료에서 추적할 수 있다.
합격시험은 시연 재현보다 낯선 조건의 실패를 본다
| 실패·이상 | 첫 대응 주체 | 필수 기록 | 재개 조건 |
|---|---|---|---|
| 추종 오차·좌표 불일치 | 통합 엔지니어 | 명령·실제 자세, 보정 버전 | 기준 궤적 오차 재시험 통과 |
| 힘 급증·부품 손상 위험 | 안전 담당자와 작업자 | 힘·영상·정지 시각 | 원인 제거와 독립 안전시험 |
| 프레임 드롭·시계 어긋남 | 데이터 엔지니어 | 센서별 시각과 누락 구간 | 동기화 검증·샘플 격리 |
| 정책 불확실성·새 부품 | 운영 감독자 | 개입 전 상태와 복구 행동 | 제한 구역 재평가 승인 |
첫 시험은 학습에 쓴 작업을 그대로 재생해 파이프라인 오류를 찾는다. 다음 시험은 일부러 부품 위치, 조명, 마찰, 지그 공차와 작업 순서를 바꾼다. 성공률만 기록하지 말고 실패 모드, 개입 시간, 부품 손상, 재시도와 중단 뒤 복구까지 측정한다.
양사는 2026년 후반 산업용 데이터셋을 제공할 계획이라고 밝혔지만, 2026년 8월 25일 확인한 공식 발표에는 공개 규모, 라이선스, 벤치마크 성능이 없다. 계획된 데이터셋을 이미 이용 가능한 자산으로 가정하거나 그 규모를 추정해서는 안 된다.
시연 몇 건이면 자율 정책을 만들 수 있나?
고정된 숫자는 없다. 과제 복잡도, 시각·접촉 다양성, 실패 비용, 모델 구조와 목표 신뢰도에 따라 달라진다. 성공 궤적 수보다 상태 공간의 중요한 변화와 실패·복구가 얼마나 포함됐는지 확인해야 한다. 시연 데이터만으로 안전 배포를 선언할 수는 없다.
확인한 1차 자료는 Universal Robots의 2026년 3월 발표와 Scale AI의 공식 기술 설명이다. 제품 구성과 향후 데이터셋 계획, 아직 공개되지 않은 정보의 경계를 분리했다.