Figure Helix 02는 휴머노이드가 걷기·균형·팔과 손 조작을 따로 끊지 않고 하나의 계층형 신경 시스템으로 연결하려는 전신 제어 구조입니다. Figure는 S2가 작업 의미를 정하고, S1이 모든 센서에서 전신 관절 목표를 만들며, S0가 1kHz로 접촉과 균형을 실행한다고 설명합니다. 공개된 4분·61개 행동 데모는 구조를 이해할 중요한 자료지만 Figure가 제시한 결과이지 독립 검증 성능표는 아닙니다.
Helix 02의 핵심은 loco-manipulation이다
loco-manipulation은 걷는 동안 물체를 들고, 손을 뻗으며 균형을 바꾸고, 발과 몸통까지 작업에 사용하는 능력입니다. 이동과 조작을 별도 상태 기계로 이어 붙일 때 생기는 멈춤과 불안정한 전환을 줄이려는 목표입니다.
Figure 공식 발표는 식기세척기 작업에서 걷기·양손 조작·균형을 연속 수행했다고 설명합니다. 데모 조건과 전체 실패 분포는 공개 범위 안에서 해석해야 합니다.
S2는 느린 의미와 작업 순서를 맡는다
S2는 장면과 언어 지시를 이해하고 ‘식기세척기로 이동’, ‘문 열기’, ‘그릇 옮기기’ 같은 의미 목표를 만듭니다. 발걸음과 개별 관절 토크를 직접 지정하지 않습니다.
긴 작업에서는 무엇을 완료했는지 기억하고 다음 목표를 선택해야 합니다. 잘못된 완료 판정이 생기면 이후 모든 행동 순서가 어긋날 수 있습니다.
S1은 모든 센서를 전신 관절 목표로 바꾼다
Figure 설명에서 S1은 머리·손바닥 카메라, 촉각과 전신 고유감각을 입력으로 받고 다리·몸통·팔·손가락의 목표를 200Hz로 출력합니다. 상체만 다루던 이전 Helix보다 범위가 넓습니다.
센서가 많아지면 가려짐을 줄이고 접촉을 볼 수 있지만 시간 동기화와 고장 진단이 어려워집니다. 한 센서가 사라졌을 때 정책이 어떻게 저하되는지 시험해야 합니다.
S0는 1kHz에서 균형과 접촉을 실행한다
S0는 전신 관절 상태와 몸체 움직임을 받아 빠른 actuator command를 출력하는 학습 기반 전신 제어기입니다. 높은 주기는 느린 의미 계층이 매 접촉을 계산하지 않아도 균형과 자세를 유지하게 합니다.
Figure는 1,000시간 이상의 사람 동작과 20만 개 이상의 병렬 시뮬레이션 환경을 사용했다고 발표했습니다. 이 수치는 데이터 다양성이나 실제 안전 성능을 독립적으로 보장하지 않습니다.
세 계층은 시간 범위를 나눠 복잡성을 줄인다
S2는 초 단위 목표, S1은 200Hz의 전신 목표, S0는 1kHz의 접촉 실행을 맡습니다. 상위 계층이 모든 관절을 직접 제어하지 않아 계산과 데이터 요구를 분리할 수 있습니다.
반대로 계층 사이 표현이 틀리면 원인 추적이 어렵습니다. S2 목표, S1 관절 목표와 S0 실제 토크·접촉을 같은 시간축에 기록해야 합니다.
| 계층 | 주요 입력 | 출력 | 공개 주기 | 주요 실패 |
|---|---|---|---|---|
| S2 | 장면·언어·작업 상태 | 의미 목표 latent | 느린 추론 | 순서·완료 판단 오류 |
| S1 | 카메라·촉각·고유감각·S2 | 전신 관절 목표 | 200Hz | 가려짐·센서 융합 오류 |
| S0 | 관절·베이스 상태·S1 목표 | actuator command | 1kHz | 접촉·균형·전이 실패 |
손바닥 카메라는 자기 가려짐을 줄인다
머리 카메라는 손과 물체가 겹치면 접촉 지점을 잃습니다. 손바닥 카메라는 손 안쪽에서 물체를 보며 작은 부품과 용기 내부를 확인할 수 있습니다.
카메라가 물체에 너무 가깝고 흔들리며 조명이 급변한다는 새로운 문제가 생깁니다. 렌즈 오염과 충격, 좌우 손 카메라 보정도 운영 항목입니다.
촉각은 보이는 파지에서 접촉 조절로 바꾼다
Figure는 손가락 촉각이 작은 힘을 감지해 병뚜껑, 알약과 주사기 같은 작업에 사용된다고 설명합니다. 시각만으로는 미끄러짐과 실제 접촉 힘을 직접 알기 어렵습니다.
로봇 힘·토크 센서와 마찬가지로 영점, 드리프트, 센서 포화와 접촉 위치를 검증해야 합니다. 발표 장면이 모든 재질과 힘 범위를 대표하지 않습니다.
사람 동작 학습은 모양보다 물리 제약을 옮겨야 한다
사람 모션을 로봇 관절에 retargeting할 때 길이, 관절 범위, 질량과 발 접촉이 다릅니다. 손끝 궤적만 맞추면 로봇이 균형을 잃을 수 있습니다.
S0가 사람다운 전신 prior를 배우더라도 실제 로봇의 토크·속도·열 한계에서 안전한지 별도 제약이 필요합니다. 모방학습과 강화학습을 결합하는 이유입니다.
시뮬레이션 전이는 전신 접촉에서 더 어렵다
발, 손, 엉덩이와 물체가 동시에 접촉하면 마찰·강성·충격 모델의 오차가 여러 곳에서 쌓입니다. Figure는 S0에 sim-to-real 강화학습과 광범위한 domain randomization을 사용했다고 설명합니다.
Sim2Real 실패를 줄이려면 보행 성공뿐 아니라 물체를 든 상태, 미끄러운 바닥, 충돌과 센서 지연을 실제 장비에서 단계적으로 검증해야 합니다.
4분·61개 행동 데모는 장기 상태 유지의 신호다
Figure는 식기세척기 데모를 4분 동안 61개 loco-manipulation action을 연속 수행한 완전 자율 작업으로 발표했습니다. 재설정 없이 여러 물체와 문을 다뤘다는 점은 짧은 단일 파지와 다른 난이도입니다.
하지만 반복 횟수, 전체 성공률, 실패 영상과 사람 안전 개입 빈도가 공개되지 않으면 현장 가동률을 계산할 수 없습니다. 휴머노이드 영상 확인 기준으로 발표 범위와 운영 성능을 나눠 봅니다.
전신 제어는 손이 비었을 때만 유용한 것이 아니다
양손에 물체를 들면 로봇은 손으로 문을 닫거나 지지할 수 없습니다. Figure 데모는 엉덩이로 서랍을 닫고 발로 식기세척기 문을 다루는 장면을 전신 활용 사례로 제시합니다.
이런 행동은 유연성을 보여 주지만 가구 손상, 미끄러짐과 사람 예측 가능성이라는 안전 문제도 만듭니다. 허용된 몸 부위·접촉 힘·대상 표면을 작업 규칙으로 제한해야 합니다.
| 확인 항목 | 데모가 보여 주는 것 | 아직 필요한 자료 |
|---|---|---|
| 전신 연속성 | 걷기와 양손 조작의 연결 | 반복 성공률·실패 분포 |
| 장기 작업 | 여러 단계 상태 유지 | 재시도·복구·사람 개입 |
| 촉각·손바닥 시각 | 작은 물체와 자기 가려짐 대응 | 센서별 기여·고장 시험 |
| 현장성 | 주방·거실·BMW 후속 장면 | 안전·가동률·유지보수·비용 |
현장 평가는 계층별 로그와 반복 시험으로 한다
S2의 목표 선택, S1의 관절 목표, S0의 추종과 접촉을 나누어 실패를 분류합니다. 최종 성공만 보면 어느 계층을 개선해야 하는지 알 수 없습니다.
Figure의 거실 정리 후속 데모처럼 장면이 늘어나는 것은 일반화의 단서지만, 제품 도입에는 교대 단위 성공률, 충전, 유지보수, 정지와 복구 시간이 필요합니다.
Figure Helix 02에서 자주 묻는 질문
Helix 02는 하나의 신경망인가요?
Figure는 단일 neural system으로 표현하지만 내부는 S0·S1·S2의 서로 다른 시간 규모 계층으로 설명합니다.
S0·S1·S2 중 VLA는 어느 부분인가요?
Figure는 전체를 whole-body VLA로 설명하며 S2가 의미 목표, S1이 센서에서 관절 목표, S0가 빠른 전신 실행을 맡습니다.
4분 데모가 상용화를 뜻하나요?
장기 자율 작업의 기술 신호지만 반복 성공률, 안전, 가동률, 비용과 유지보수 자료가 더 필요합니다.
모든 수치가 독립 검증됐나요?
1kHz·200Hz·학습 시간·데모 행동 수는 Figure 공식 발표 수치입니다. 공개된 독립 현장 평가로 보지 않습니다.
Helix 02는 원격조작 없이 움직이나요?
Figure는 공개 데모가 완전 자율이고 teleoperation이 아니라고 밝힙니다. 전체 개발 데이터와 모든 시험의 개입 여부를 뜻하지는 않습니다.
마지막 확인: 2026년 7월 23일. Helix 02의 구조·학습 규모·주기·4분·61개 행동은 Figure 공식 발표를 기준으로 하며 독립 검증 결과가 아닙니다. 특정 안전성·제품 성능·도입 가능성을 보장하지 않습니다.