월드모델로 로봇이 처음 보는 부품도 삽입 성공률 56%

여러 종류의 부품을 조립하는 라인에서는 보통 삽입 작업마다 별도로 세밀하게 조정된 정책(policy, 로봇의 행동 규칙)이 필요합니다. 성공률은 높지만 새로운 부품이 등장할 때마다 다시 개발해야 해서 시간과 비용이 많이 듭니다. arXiv에 게재되고 IROS 2026에 채택된 새 논문은 처음부터 여러 삽입 문제에 걸쳐 일반화되는 단일 모델을 학습시키는 다른 접근을 제안합니다.

이 프레임워크는 Nicklas Hansen을 비롯한 연구진이 제안했으며, '월드모델(world model)'을 중심으로 구축됩니다. 월드모델은 로봇의 행동이 다음에 어떤 감각 입력 변화를 일으킬지 예측하는, 일종의 학습된 시뮬레이터입니다. 이 모델은 로봇 자체의 관절 위치, 힘 등 내부 상태 정보인 고유운동감각(proprioceptive) 신호와, 로봇 손목에 장착된 카메라에서 얻은 원본 시각 입력, 두 가지 정보를 결합합니다. 페그-홀(peg-in-hole) 삽입이나 커넥터 삽입 등 작업마다 별도의 정책을 학습하는 대신, 연구팀은 기하학적으로 다양한 최대 90개의 삽입 작업에 걸쳐 하나의 월드모델을 동시에 학습시켰습니다.

핵심 결과는 학습 중 한 번도 보지 못한, 기하학적 구조를 알 수 없는 물체에 대한 일반화 성능입니다. 이 제로샷(zero-shot) 테스트에서 월드모델 시스템은 56%의 성공률을 기록했습니다. 반면 명시적인 예측 월드모델 없이 학습하는 좀 더 일반적인 강화학습 방식인 모델-프리(model-free) 기준선은 같은 조건에서 7%에 그쳤다고, arXiv에 공개된 논문은 밝혔습니다.

연구진은 실제 현장 배치에 중요한 확장성(scalability) 신호도 발견했습니다. 학습 데이터셋에 더 많은 물체가 추가될수록, 처음 보는 물체에 대한 성능이 계속 향상되었습니다. 이는 이 방식이 고정된 부품 집합을 단순히 외우는 것이 아니라, 학습 데이터가 늘어날수록 강화되는 전이 가능한 삽입 역학 이해를 구축한다는 것을 시사합니다. 이는 제품 라인이 계속 바뀌는 공장 환경에서 특히 유용한 특성입니다.

제로샷 성능만으로 충분하지 않은 경우를 위해, 연구팀은 사전학습 때 보지 못한 물체에 대해 범용 월드모델을 미세조정(fine-tuning)하는 실험도 진행했습니다. 해당 물체에 맞춰 처음부터 새로 학습시키는 방식과 비교했을 때, 미세조정 방식은 데이터 효율성이 훨씬 높았고, 경우에 따라서는 최종적으로(asymptotic performance) 처음부터 학습한 정책보다 더 나은 성능에 도달하기도 했습니다.

연구진에 따르면 이 시스템은 그들이 아는 한, 작업별로 특화된 기하 모델이나 수작업으로 설계된 삽입 전략 없이 완전히 데이터 기반 방식으로 처음 보는 물체를 조립할 수 있는 최초의 시스템입니다. 이는 조립 로봇이 새로운 부품을 마주했을 때 엔지니어 팀이 새 정책을 미리 만들어주지 않아도 스스로 삽입 방법을 찾아내는 방향으로 나아가는 한 걸음으로 평가됩니다.

'Generalizable Robotic Insertion with World Models'라는 제목의 이 논문은 arXiv(2609.28258)에서 확인할 수 있으며, IROS 2026에서 발표될 예정입니다. 다른 프리프린트와 마찬가지로, 보고된 성공률과 작업 수는 저자들의 실험 환경을 반영한 것으로, 이번 v1 제출 시점에서는 아직 최종 동료 심사를 거치지 않았습니다.