로봇이 사람처럼 손끝으로 물체의 압력과 미끄러짐을 감지하는 시대가 오고 있습니다. 최신 연구에 따르면 2026년 발표된 AnyTouch 2의 ToucHD 데이터셋은 약 243만 건의 방대한 로봇 촉각 샘플을 포함하고 있습니다. 하지만 이러한 데이터의 양적 성장에도 불구하고, 한 로봇이 학습한 촉각 경험을 다른 로봇에게 그대로 적용하기는 매우 어렵다는 근본적인 문제가 존재합니다.
이러한 어려움은 로봇 촉각 센서(tactile sensor)들이 접촉을 측정하는 방식과 신호 구조가 제각각 다르기 때문입니다. 예를 들어, 어떤 센서는 전기 저항 변화를 통해 압력을 감지하는 반면, 다른 센서는 정전 용량(capacitance)이나 광학적 변화를 이용합니다. 같은 물체를 잡더라도 센서 종류에 따라 기록되는 데이터 형태가 완전히 달라지므로, 로봇마다 다른 손과 관절 구조는 물론, 이질적인 센서 데이터를 통합하는 것이 핵심 과제로 떠오르고 있습니다.
흥미로운 해결책은 인간의 촉각 경험을 로봇 학습에 활용하는 TACROSS 연구에서 제시되었습니다. 이 연구는 로봇 시연 30건만 사용했을 때 51.3%에 불과했던 네 가지 조작 과제의 평균 성공률을, 동일한 로봇 시연에 인간 시연 150건과 센서 간 신호 정렬 방법을 추가하자 91.9%로 크게 향상시켰습니다. 이는 로봇 자체의 추가 시연 없이도 성능이 개선될 수 있음을 보여주며, 단순히 데이터의 양을 늘리는 것보다 서로 다른 센서의 경험을 효과적으로 연결하는 방법론이 훨씬 중요함을 시사합니다.
결국 로봇들이 서로의 촉각 경험을 공유하고 학습 효율을 높이기 위해서는 AnyTouch 2, TactAlign, TACROSS와 같은 연구들이 제시하는 데이터 통합 및 정렬 기술이 필수적입니다. 이 기술들은 미래 로봇이 다양한 환경에서 더욱 정교하고 유연하게 작업할 수 있는 기반을 마련하며, 로봇의 지능과 자율성을 한 단계 끌어올릴 잠재력을 가지고 있습니다.