GIST 콜로키움 「필드로봇 피지컬AI」 v3 전체판(A)전체 146장 = 기존 51 + 신규 95 신규 장만 / 전체 노트 숨기기 / 보기 도입 (건설연 1–16)기술현황 — 전체 흐름인지계획제어종단간기업 동향ETH 밖의 연구 지형요약과 빈 자리기계연 연구 (건설연 33–51)부록
도입 (건설연 1–16)
1기존 1 · 표지
2기존 2 · 목차
3기존 3 · 1. AI, 로봇, 그리고 산업기계
4기존 4 · 2. 프로그래밍에서 학습으로의 전환 · 영상 2개
5기존 5 · 3. 행동 생성의 두 접근: VLA와 WAM · 영상 2개
6기존 6 · 4. 로봇 두뇌의 구성 방식
7기존 7 · 5. 로봇 학습의 데이터 격차
8기존 8 · 6. 학습 데이터의 확보와 확장 · 영상 3개
9기존 9 · 7. 현장 적용의 조건 · 영상 1개
10기존 10 · 14. 기계연 로봇 연구의 발전
11기존 11 · 15. 휴머노이드 카이로스 · 영상 3개
12기존 12 · 16. 로봇 작업지능과 학습 데이터 · 영상 3개
13기존 13 · 19. 의료로봇 · 영상 3개
14기존 14 · 20. 디지털트윈 · 영상 3개
15기존 15 · Field Robotics
16기존 16 · 현장의 4대 도전과제
기술현황 — 전체 흐름
17기존 17 · 스마트 건설기계 세부 기술
18F0 · 4기 타임라인
03
필드로봇
AI기술

연구 흐름 한눈에

모듈별 설계에서 데이터로 배우는 하나의 정책으로
2019–2021
모듈을 이어 붙인 시스템
Baidu AES 24시간 무인 굴착
ETH HEAP 자율 굴착기
→
2022–2023
시뮬레이션 강화학습의 실기 전이
ETH 유압 구동기 학습 모델
HEAP 6 m 석축, 현장 단위 계획
→
2024–2025
공개 데이터와 사전학습 정책
ETHcavation, GOOSE-Ex
ExACT, ExT 다중작업 정책
→
2026
흙을 아는 정책, 종단간 상용
ETH 42 m 제방 무개입 시공
Bedrock 무인 현장 투입
Baidu AES(Science Robotics 2021) · Egli et al.(RA-L 2022) · ExT(arXiv 2509.14992) · Werner et al.(arXiv 2609.12677)
규칙과 모델 → 시뮬레이션 강화학습 → 데이터·사전학습 → 종단간 학습과 상용 투입
18
기존 장(2023년 조사)은 1~2기에 해당. 이번에 추가한 장은 3~4기. 이후 순서: 인지 → 계획 → 제어 → 종단간 → 기업 → ETH 밖 연구 지형 → 요약 → 빈 자리.
19F2 · 세 가지 큰 흐름
03
필드로봇
AI기술

세 가지 큰 흐름

2023년 조사 이후 무엇이 근본적으로 달라졌나
1
모듈의 경계가 사라진다
재질 분류가 제어 정책 안으로
버킷 궤적 계획이 정책 학습에 흡수
학습한 모델을 예측 제어에 넣어 계획과 결합
종단간은 네 번째 칸이 아니라
앞의 세 칸이 수렴하는 방향
2
파운데이션 모델이 세 층에,
깊이는 서로 다르게
인지 — SAM2, VLM을 실제로 사용
계획 — 미리 만든 스킬의 순서를 짓는 수준
종단간 — 실기 cm 정밀도, 범용은 아직
ETH 바위 굴착 · LLM 행동트리 · ExT
3
학계와 산업의 선후가
바뀌었다
2023년 — ETH와 Baidu 논문이 앞섬
지금 — 무인 상용 현장, VLA 현장 상차
다중 장비 계획은 산업 시연이 먼저
Bedrock · Actor · Zoomlion
요청서 5.0절 정리 — 근거는 뒤의 분야별 장
19

무엇을 했나 기술현황 구간 전체를 관통하는 세 문장. 각 분야 장을 볼 때의 관점으로 제시.

확인 상태 조사자 해석. 개별 근거는 각 장의 확인 상태 참조.

비고 기관 지형: ETH가 여전히 축. Baidu 자율굴착기 팀은 2022년 이후 발표가 줄었고(ExACT 2024 워크숍 정도), 2026년에는 중국·일본·한국·독일·스웨덴·캐나다·칠레·튀르키예 연구가 보임 → "ETH 밖의 연구 지형" 구간.

20F1 · 출발점 — Baidu AES (2021) · 영상v2 유지
03
필드로봇
AI기술

출발점 — Baidu AES (2021)

인지·계획·제어 모듈을 이어 붙여 24시간 무인 굴착
Baidu Research · Science Robotics 2021영상
중국 · Baidu Research실기
2021 기준점
24h+
무인 연속 작업
모듈마다 따로 설계한 규칙·학습 조합
Zhang et al., “An autonomous excavator system for material loading tasks”, Science Robotics 2021 · 영상: Baidu Inc. 공식
20

무엇을 했나 기존 장들에서 여러 번 인용한 Baidu 연구의 통합 시스템. 이후 연구가 무엇을 바꿨는지 비교 기준으로 제시.

확인 상태 [덱] v2 유지

비고 Baidu 팀은 2022년 이후 발표가 줄어듦(ExACT 2024 워크숍, CWT 데이터).

인지
21FP · 인지 분야 흐름
03
필드로봇
AI기술

Perception — 무엇이 달라졌나

센서별 전용 알고리즘에서 공개 데이터와 파운데이션 모델로
분진 제거 필터 설계
→
학습 기반 필터, 카메라 융합, 분진 데이터셋
KIMM·Ontario Tech 2024
LiDARDustX 2025
라이다 확률 높이 지도
→
카메라만으로 만드는 의미 고도맵
ExcavaTwin 2026
텍스처 분류기, 지중 레이더
→
굴착 반력으로 추정, 정책 안으로 흡수
Digging for Data 2026
ETH 제방 2026
세 등급 지형 분할
→
파놉틱 분할 + 추적, 언어로 지형 추론
ETHcavation 2024 · VLM 2026
연구용 센서 융합 측위
→
공개 프레임워크와 공개 데이터
Holistic Fusion (T-RO 2026)
왼쪽: 기존 18–22장(2019–2023) · 오른쪽: 2024–2026
21
다음 5장(기존 18–22)은 왼쪽 열, 이어지는 주목 연구는 오른쪽 열에 해당. v2에서 상태추정 행을 sensVLA로 받던 것을 직계 후속인 Holistic Fusion으로 교체.
22FP2 · 인지 세 가지 흐름
03
필드로봇
AI기술

인지 — 세 가지 흐름

전용 학습 → 파운데이션 모델, 기하 → 의미 → 언어, 모듈 → 정책 안
1
전용 학습에서
파운데이션 모델 활용으로
SAM2로 바위 분할
고정된 비전 모델로 의미 고도맵
파놉틱 모델을 502장으로 적응
ETH 2025 · ExcavaTwin 2026
ETHcavation 2024
2
기하에서 의미로,
의미에서 언어로
라이다 고도맵
→ 의미 라벨이 붙은 지도
→ "어느 지형이 더 나은가" 추론
한양대 2026 · TravPro 2026
3
독립 모듈에서
정책 안으로
재질 분류기를 따로 두지 않고
흙 상태를 정책의 입력으로
인지와 행동을 한 모델로
ETH 제방 2026 · sensVLA 2026
요청서 5.1절 정리
22
인지 구간 전체를 묶는 세 문장. 각 칸 아래 사례는 뒤의 주목 연구 장에서 다룸.
23기존 18 · Perception – De-noising · 영상 1개
24기존 19 · Perception – Terrain Mapping · 영상 2개
25기존 20 · Perception – Material Classification · 영상 1개
26기존 21 · Perception – Environment Analysis · 영상 2개
27기존 22 · Perception – State Estimation & Localization · 영상 1개
28PN1 · KIMM·Ontario Tech 분진 제거 후속 2편확인
03
필드로봇
AI기술

분진 제거 — 기계연·Ontario Tech 후속 연구

기하 필터에서 학습 기반으로, 라이다 단독에서 카메라 융합으로
기존 18쪽 — 선행 연구
캐나다 Ontario Tech · 한국 KIMM실기 · 실측 라이다
같은 연구진(Parsons, Seo, 이한민 등)의 2024년 후속 2편
① 고전 필터 대 CNN 직접 비교 IEEE Access 2024
복셀 기반 CNN으로 부유 분진 점 분류 — 최고 성능 고전 필터 대비 F1 최대 +5.39%p
② RGB + 라이다 융합 분진 필터 Automation in Construction 2024
두 센서를 각각 CNN으로 처리한 뒤 융합, 실시간 — 라이다 단독 대비 F1 +2.64%p 이상
Parsons et al., IEEE Access 12:22032–22042 (2024) · Parsons et al., Automation in Construction 168:105850 (2024)
28

무엇을 했나 ① "Dust De-Filtering in LiDAR Applications With Conventional and CNN Filtering Methods" ② "RGB-LiDAR sensor fusion for dust de-filtering in autonomous excavation applications". 기존 18쪽(발표자 본인 연구)의 직접 후속.

어디서(나라·기관) 캐나다 Ontario Tech University(Tyler Parsons 제1, Jaho Seo 교신) · 한국기계연구원

수치와 조건 ① F1 최대 +5.39%p(이동 플랫폼, 이동 장애물·복수 분진원의 동적 환경) ② 분진 구름이 센서 약 3 m 앞일 때 F1 +2.64%p 이상(라이다 단독 CNN, LIOR-DROR 대비), 라이다 갱신 주기 내 실시간

한계 ①에서 비교한 고전 필터의 이름은 초록에 없어 미대조. 굴착기 탑재 여부도 초록에 없음.

확인 상태 [확인] 제목·권호·수치 원문 대조 완료. 세부는 발표자 본인 확인 가능.

29P5 · 분진과 어둠 — 데이터와 센서로 대응확인(수치 정정)
03
필드로봇
AI기술

분진과 어둠 — 데이터와 센서로 대응

필터 설계에서 분진 데이터셋과 이벤트 카메라로
LiDARDustX 2025CC BY-NC-SA 4.0
중국 · 후난대 등데이터셋 · 광산 트럭 탑재
LiDARDustX — 3만 프레임, 80% 이상이 분진 장면
이벤트 카메라 융합 2026
호주 · 시드니대데이터셋 · 일반 벤치마크
RGB + 이벤트 카메라 — 저조도 AP 21.3 → 27.8
Wei et al., arXiv 2505.21914 · Feng & Zhou, arXiv 2611.19746 (Table 5)
29

무엇을 했나 LiDARDustX: 광산 비포장로 고분진 환경 라이다 데이터셋(3D 박스 + 점군 의미 분할). 이벤트 카메라: 이벤트 검출기 3종과 RGB 검출기를 조명 조건별로 비교, 학습 없는 후기 융합이 전 조건 최고.

어디서(나라·기관) LiDARDustX — 중국 후난대·우시 지능제어연구원·칭화대·XJTLU / 이벤트 카메라 — 호주 시드니대(Feng 제1, Zhou 교신)

수치와 조건 LiDARDustX: 3만 프레임, 라이다 6종, 광산 트럭 탑재, 분진 시퀀스 200개. 이벤트 카메라: 저조도 부분집합 21.3(RGB) → 27.2(이벤트) → 27.8(융합), 전체 27.1 → 32.2 → 33.3

한계 이벤트 카메라 실험은 건설 현장이 아닌 PEOD 벤치마크. 건설 현장은 렌더링 3장면 제로샷 확인뿐. LiDARDustX는 굴착기가 아니라 광산 트럭.

확인 상태 [확인] v2의 "AP 21.3 → 33.3"은 서로 다른 집합을 이은 값이라 21.3 → 27.8로 정정. 소속 확정.

30PN2 · UCHILE-Dust · 리뷰 · 범용 디노이징확인 · 일부 확인
03
필드로봇
AI기술

분진 제거 — 그 밖의 흐름

2026년 분진 전용 논문은 드물고, 악천후 디노이징으로 흡수되는 추세
칠레 · 칠레대 AMTC실기
UCHILE-Dust — 광업용 분진 필터와 공개 데이터
신경망으로 분진 점 실시간 제거, 데이터 GitHub 공개 (Sensors 2025)
중국 · 허난과기대·다롄이공대리뷰
지능형 굴착기 환경 인식 리뷰
난제 = 강한 진동·짙은 분진·복잡한 목표물. 노이즈 저감 / 센서 융합 / 3D 분할 (2024.11)
중국 · 베이징건축대, 전자과기대 등데이터셋 · 자율주행 벤치마크
악천후 라이다 디노이징
AdverseNet(비·눈·안개 2단계 학습), DeSnow-GNN(시공간 그래프, 2026)
여러 기관데이터셋
물체 표면 점군 필터링
3DMambaIPF, StraightPCF, ASDN, PD-LTS — 스캔 노이즈 대상, 날씨·분진과 무관
Cavieres et al., Sensors 25(20):6441 · Cui et al., Applied Sciences 14(23):10919 · AdverseNet(IEEE Sensors J. 2025) · DeSnow-GNN(Adv. Eng. Inform. 2026)
30

무엇을 했나 분진 제거 관련 나머지 항목 묶음. 중국 리뷰의 3축은 기존 덱 18~21쪽 구조와 거의 같음.

수치와 조건 UCHILE-Dust: Ouster OS0, 2024.9~2025.2 수집, 실내·실외·이동형 세트. AdverseNet: MIoU 94.67%(DENSE) / 99.33%(SnowyKITTI).

한계 3DMambaIPF·StraightPCF·ASDN·PD-LTS는 3D 비전의 물체 점군 필터링이라 요청서의 "자율주행 분야" 묶음과 다름 — 구분해 표기. ASDN·PD-LTS는 약칭과 논문 대응을 원문에서 대조하지 못함.

확인 상태 [확인] UCHILE-Dust, 리뷰, AdverseNet, DeSnow-GNN / [일부 확인] ASDN, PD-LTS

31P6 · ExcavaTwin — 학습 없이 만드는 의미 지형 지도 · 그림확인
03
필드로봇
AI기술

ExcavaTwin — 학습 없이 만드는 의미 지형 지도

카메라만으로, 굴착 전용 학습 없이 지형과 의미를 함께 갱신
실제 굴착 중 지도 변화 · 2026
중국 · 홍콩과기대(광저우)·남방과기대·Capstone Technology실기 · Cat 303 CR 소형
2026 · ETH 외
12.7cm
변형 영역 평균 높이 오차
1.4s
갱신 주기
Deng et al., arXiv 2609.34719 (2026.9) Fig. 5
31

무엇을 했나 다시점 RGB + 고정(frozen) 비전 모델로 기하와 의미를 복원, 지형/비지형을 나눈 뒤 다시점 의미를 융합해 의미 고도맵 생성.

어디서(나라·기관) 중국 홍콩과기대(광저우)·남방과기대·Capstone Technology(선전). 제1저자 Yu Deng, 교신 Rushi Dai

수치와 조건 변형 영역 높이 오차 12.74 ± 5.32 cm(라이다 기준 대비), 갱신 약 1.4 s, 안정 구간 최소 약 5 cm

한계 실기는 소형 굴착기(Cat 303 CR, 원격조종 개조)이고 입력 영상은 장비 탑재 카메라가 아니라 비스듬한 상공의 UAV 시점.

확인 상태 [확인] 소속·수치 원문 대조

비고 기존 ETH 확률적 지형 매핑(라이다, 높이만)과 나란히 놓으면 "카메라만으로, 학습 없이, 의미까지"라는 변화가 한 장에 보임.

32P7 · Digging for Data · 그림확인
03
필드로봇
AI기술

보지 않고 느끼기 — 굴착 신호로 재료 읽기

카메라·라이다 없이 굴착 중 관성 신호만으로 암석 입도 추정
채석장의 배터리 전기 LHDArtan et al., arXiv
스웨덴 외레브로대 · 캐나다 퀸스대실기 · 18톤급 LHD, 채석장
IEEE T-FR 2026
IMU 응답의 웨이블릿 특징으로
두 더미의 상대 입도 추정
재질 인식이 "보는 것"에서
"파면서 느끼는 것"으로
Artan, Magnusson, Marshall, “Digging for Data”, arXiv 2602.11082 (IEEE T-FR 게재 승인)
32

무엇을 했나 굴착 중 관성 응답(IMU)의 웨이블릿 특징 비율로 암석 더미의 상대 입도를 추정.

어디서(나라·기관) 스웨덴 외레브로대 AASS(Artan, Magnusson) · 캐나다 퀸스대 Ingenuity Labs(Marshall)

수치와 조건 실기: 배터리 전기 LHD(Epiroc Scooptram ST18 SG, 적재 18톤급), 가동 중인 채석장. 비교 기준은 영상 기반 파쇄도 분석 도구와 체가름.

한계 굴착기가 아니라 LHD(로더). 절대 입도가 아니라 두 더미의 평균 입경 비(상대 입도).

확인 상태 [확인] 소속 확인. T-FR 권호는 미확인.

33PM2 · RodRadar × Xwatch · GPR 리뷰 · 영상확인 · 회사 발표
03
필드로봇
AI기술

굴착 중 매설물 탐지 → 자동 정지

버킷에 넣은 지중 레이더가 탐지 즉시 버킷을 멈춤
RodRadar · Stop Before Strike영상
이스라엘 RodRadar · 영국 Xwatch(Hexagon)제품회사 발표 기준
2026.2 발표
기존 20쪽의 RodRadar가
"탐지"에서 "탐지 → 정지"로
학술 쪽 한계 — 매설물 추론이 아니라
쌍곡선 탐지에 머묾 (리뷰 2026)
RodRadar·Xwatch 발표(2026.2.23, CONEXPO 2026 시연) · Gao & Hu, Sensors 26(9):2708 (2026)
33

무엇을 했나 버킷 내장 GPR(Live Dig Radar)이 굴착 중 매설물을 탐지하면 Xwatch의 안전 등급 유압 제어가 버킷 움직임을 자동 정지. 운전원 오버라이드 가능.

어디서(나라·기관) 이스라엘 RodRadar · 영국 Xwatch Safety Solutions(2024.4 Hexagon 인수) / GPR 리뷰 — 미국 케네소주립대

수치와 조건 정지 거리 약 6인치(15 cm)는 한 매체 표기뿐이라 장에서 제외. GPR 리뷰: 두 장벽은 이벤트-매설물 불일치(쌍곡선 탐지에 머묾)와 합성-현장 데이터 격차.

한계 "업계 최초 안전 등급"은 회사 표현. 독립 현장 검증 자료 없음. 정지 대상은 장비 전체가 아니라 버킷 움직임.

확인 상태 [확인] [회사발표]

34PM1 · 토양 추정 2편확인(조건 정정)
03
필드로봇
AI기술

한 번 파 보고 흙을 추정하기

직전 작업의 힘과 궤적에서 토양 물성을 역으로 추정
휠로더 굴착력 추정 (IEEE Access 2025)
논문 그림 미수집
미국 · UC Davis시뮬레이션
직전 적재 사이클의 힘으로 토양 파라미터 보정
물리 결합 신경망 + 베이즈 지도 2025
미국 · UIUC·미 육군 ERDC시뮬레이션
물성과 불확실성을 지도 층으로 베이즈 갱신
Abdolmohammadi et al., IEEE Access 13 (2025), arXiv 2506.22579 · Wagner et al., ISTVS 2025, arXiv 2507.22356
34

무엇을 했나 ① 직전 버킷 적재 사이클의 힘 측정으로 토양 파라미터를 보정(해석 모델 + 다단계 최적화)해 다음 사이클 굴착력을 예측. ② GPU 고도 매핑에 블레이드 궤적 추적을 더하고, 신경망이 추정한 토양 물성과 불확실성을 지도 층으로 베이즈 갱신.

어디서(나라·기관) ① 미국 UC Davis ② 미국 UIUC·미 육군 공병 연구개발센터(ERDC-CERL, 선행 논문 기준 소속)

수치와 조건 ① 굴착력 예측 RMS 오차 10~15%(AGX Dynamics 시뮬레이션)

한계 둘 다 시뮬레이션 검증뿐, 실기 없음. ②는 도저가 아니라 블레이드를 단 컴팩트 트랙 로더이고 용어는 physics-infused.

확인 상태 [확인] 요청서의 "기존 3~8회 굴착 필요 → 한 번 긁고 추정"은 원문에서 확인되지 않아 제외.

35PE2 · VLM 주행 가능성 2편 · 건설 현장 코퍼스확인 · 일부 확인
03
필드로봇
AI기술

언어로 지형을 추론하기

피할 곳뿐 아니라 어느 지형이 더 나은지를 묻는 단계
주행 가능성 추론 2026.4CC BY-NC-ND
한국 · 한양대데이터셋 · 오프로드 벤치마크
언어 주석을 행동과 정렬 — 궤적 오차 1.01 → 0.97 m
TravPro 2026.9CC BY-NC-ND
소속 미확인데이터셋 · 5개 도메인
VLM 프로토타입으로 선호 학습 — 쌍별 정확도 0.915
건설 현장 AMR 2026.10
인도 · FloMobility(기업)실기 · 가동 현장 2곳
건설 현장 멀티모달 코퍼스 — 506장, 28개 클래스
Park & Hwang, arXiv 2604.21249 · Hwang et al., arXiv 2609.23673 · Karnekar et al., arXiv 2610.05505
35

무엇을 했나 ① 오프로드 데이터셋의 언어 주석이 차량 행동·지형과 정렬되지 않는 문제를 다루고, VLM이 장면 설명과 3D 미래 궤적을 생성. ② 기존 주석에서 "어느 쪽이 더 나은가" 순서쌍을 만들어 VLM 패치 토큰의 선호 점수를 학습. ③ 라이다 기하를 1차 안전 추정으로, 단안 의미 분할을 보정 신호로 융합(Jetson AGX Orin 실시간).

어디서(나라·기관) ① 한국 한양대(박병건, 황순민 교신) ② 소속 미확인(원문에 표기 없음, 저자명상 한국 추정) ③ 인도 FloMobility(벵갈루루, 기업)

수치와 조건 ① ORAD-3D: 궤적 오차 1.01 → 0.97 m, 주행 가능성 준수율 0.621 → 0.644 ② 처음 보는 5개 도메인 쌍별 정확도 0.915 대 0.783 ③ RGB·깊이·라이다·IMU·GPS-RTK, 주석 506장

한계 ①②는 일반 오프로드 주행의 오프라인 평가로 건설 현장 연구가 아님. ③은 소형 AMR 대상.

확인 상태 [확인] ①③ / [일부 확인] ② 소속

36PE3 · Autoware in Construction · 그림확인
03
필드로봇
AI기술

자율주행 기술이 현장에서 그대로 안 되는 이유

공공도로용 스택을 건설 현장에 옮기며 드러난 모듈별 격차
분진 속 라이다 점군과 카메라 영상
일본 · TIER IV (+미국 UC Irvine)실기 · 대형 덤프트럭
Autoware 건설판
센싱·매핑·측위·인식·계획·제어
모듈별 격차 분석
분진 대응: 마지막 리턴 선택,
저강도 점 필터
Otsuki et al., “Autoware in Construction”, arXiv 2610.04187 (IROS 2026 워크숍) Fig. 5
36

무엇을 했나 공공도로용 Autoware를 건설 현장 대형 덤프트럭에 확장하며 얻은 교훈. 분진 대응은 리턴 모드 선택(최강 리턴보다 마지막 리턴이 분진 영향이 적음)과 저강도 필터.

어디서(나라·기관) 일본 TIER IV(도쿄), 제1저자 현 소속은 미국 UC Irvine

한계 대상은 굴착기가 아니라 대형 건설 덤프트럭. 4쪽 워크숍 논문. 필터의 구현 위치(드라이버 출력단)는 본문에서 재확인하지 못함.

확인 상태 [확인] 소속 확정

37P3 · 바위 굴착 — 파운데이션 분할 + 희소 기하 · 그림확인
03
필드로봇
AI기술

바위 굴착 — 파운데이션 분할 + 희소 기하

SAM2로 바위를 찾고 라이다 20점으로 줄여 정책에 입력
ETH RSL 2025Gruetter et al., CC BY 4.0
스위스 · ETH RSL실기 · 12 t 굴착기
파운데이션 모델 활용
20점
바위 하나의 표현
사용자가 픽셀 5개를 찍어 초기화
Gruetter, Terenzi, Egli, Hutter, arXiv 2509.17683 (2025) Fig. 2
37

무엇을 했나 사용자가 픽셀 5개를 찍으면 SAM2가 분할·추적, 바위당 라이다 20점으로 압축해 강화학습 정책에 입력. 표준 버킷으로 바위 집기.

어디서(나라·기관) 스위스 ETH RSL

수치와 조건 성공률 70%(숙련자 83%), 12톤 굴착기, 바위 0.4~0.7 m, 여러 토질. 학습은 Isaac Lab 강체 + 해석적 토양 모델.

한계 초기화는 사람이 수동으로.

확인 상태 [확인]

38PE1 · VLM 미세조정 · 동적 표적 · 자기지도 주행성확인
03
필드로봇
AI기술

사람과 장비를 보는 눈, 라벨 없이 배우는 지형

안전 감시에 VLM 미세조정, 주행 가능성은 자기지도학습
한국 · 인제대·경남대데이터셋 · AI-Hub 굴착기 데이터
굴착기용 VLM 미세조정
오픈소스 VLM 5종을 1,000장으로 QLoRA 미세조정 — Qwen2-VL-7B 사람·장애물 검출 mAP@50 88%
중국 · 화교대실기 · 굴착기 시험 플랫폼
동적 표적 탐지·추적·궤적 예측
라이다 기반 실시간 검출, 움직이는 표적의 궤적 예측, 조기 경보·비상 제동 연동
미국 · 미시시피주립대·조지아공대데이터셋 · 공개 데이터셋
자기지도 주행 가능성 추정
라벨 부족을 라이다·카메라 융합 자기지도학습으로 (ASCE i3CE 2025)
중국 Baidu · 미국 메릴랜드대실기
Baidu TNS와 CWT 데이터
굴착기 주행 가능성 지도의 출발점 — RSS 2022, RGB 669장·7클래스
Nguyen et al., Frontiers in AI 8:1681277 (2025) · Chen et al., Sensors 25(13):4214 (2025) · Yu et al., ASCE i3CE 2025 · Guan et al., RSS 2022
38

무엇을 했나 기존 덱에 없던 "움직이는 사람·장비" 항목과, 라벨 부족을 다루는 연구 묶음.

수치와 조건 VLM: mAP@50 88.03%, mAP@[.50:.95] 74.20%, AI-Hub 5만 장 중 학습 1,000 / 평가 2,000. 대상 모델 Llama-3.2-Vision, Qwen2-VL, Qwen2.5-VL, LLaVA-1.6, Gemma 3.

한계 VLM 연구는 오프라인 데이터셋 평가이고 장비 탑재·실시간 실증 없음(안전 감시·계획 에이전트는 가능성 언급). 자기지도 연구는 RELLIS-3D·ConSLAM(지상 로봇) 평가. 화교대 연구는 정량 수치가 초록에 없음.

확인 상태 [확인] 네 건 모두 소속 확정(요청서의 "소속 미확인" 해소).

39P1 · ETHcavation — 현장 전체를 이해하는 굴착기 · 영상확인
03
필드로봇
AI기술

ETHcavation — 현장 전체를 이해하는 굴착기

영상 분할 + 라이다 지도 + 객체 추적, 데이터와 코드 공개
ETH RSL · 2024영상
스위스 · ETH RSL실기 · M545 굴착기
공개 데이터셋
502장
수작업 파놉틱 라벨
사전학습 모델을 소수 샘플로 적응
Terenzi et al., arXiv 2410.04250 (ACRA 2024 제출)
39

무엇을 했나 2D 파놉틱 분할 + 3D 라이다 매핑 + 칼만 필터 객체 추적. 사전학습 파놉틱 모델을 소수 샘플로 미세조정, 실시간 RRT* 주행 사례.

어디서(나라·기관) 스위스 ETH Zürich Robotic Systems Lab

수치와 조건 수작업 파놉틱 라벨 502장 공개

확인 상태 [확인] arXiv에는 "ACRA 2024 제출"로만 표기되어 최종 게재 여부는 미확정.

40P4 · 파운데이션 모델의 현실v2 유지
03
필드로봇
AI기술

파운데이션 모델은 현장에서 통할까

그대로 쓰면 실패, 기하와 묶으면 유효
0.02
Grounding DINO 등
zero-shot 정밀도
vs
0.87
YOLO11n
미세조정
건설 현장 객체 검출 평가 (ISARC 2025)
분할기로만 쓰고 기하로 압축 → 실기 동작Gruetter et al., CC BY 4.0
arXiv 2501.09267 (ISARC 2025) · Gruetter et al., arXiv 2509.17683
40

무엇을 했나 웹 데이터로 학습한 모델은 현장 용어·외형에 약함. 무엇을 찾을지는 파운데이션 모델, 어떻게 다룰지는 기하·고유감각.

확인 상태 [덱] v2 유지. 0.02 대 0.87은 이번 조사에서 원문 재대조하지 않음.

41PS1 · Holistic Fusion — 측위가 공개 프레임워크로 · 영상확인(서술 정정)
03
필드로봇
AI기술

Holistic Fusion — 측위가 공개 프레임워크로

절대·국소 측정을 한 팩터 그래프에서 융합, 코드와 데이터 공개
ETH RSL · IEEE T-RO 2026영상
스위스 ETH · 독일 MPI-IS · 미국 JPL실기 · HEAP 굴착기 포함 3종
기존 22쪽의 직계 후속
3종
4족 로봇, 오프로드 차량, 굴착기
GNSS 음영 + 라이다 퇴화 구간 통과
Nubert et al., IEEE T-RO 42:3366–3387 (2026), arXiv 2504.06479 · leggedrobotics.github.io/holistic_fusion
41

무엇을 했나 기존 덱의 ETH 그래프 융합(ICRA 2022)의 직계 후속. 절대·국소·랜드마크 측정을 좌표계 정렬 변수까지 상태에 넣어 한 팩터 그래프에서 직접 융합하는 범용 공개 프레임워크.

어디서(나라·기관) 스위스 ETH RSL · 독일 Max Planck 지능시스템연구소 · 미국 NASA JPL. 제1·교신 Julian Nubert

수치와 조건 3개 플랫폼 5개 실환경 시나리오(ANYmal, RACER, HEAP). HEAP 구성: IMU + GNSS 안테나 2개 + Ouster OS0-128 + 선회 엔코더, 스위스 오버글라트 건설 현장. HEAP·ANYmal 기록 데이터 공개.

한계 굴착기 전용이 아닌 범용 프레임워크.

확인 상태 [확인] 요청서 정정 — 좁은 통로는 GNSS 음영이면서 라이다 퇴화 구간이고 CompSLAM·Coin-LIO 융합과 드리프트 모델링으로 통과(이중 GNSS는 정지 중 방위 관측용). "몇 시간 운용"은 실험 시간이 아니라 요구 조건 서술.

42PS3 · 운전석 시점 관절 추론 · sensVLA확인(조건 정정)
03
필드로봇
AI기술

센서를 덜 쓰는 상태 추정, 정책 안의 인지

관절 센서 없이 운전석 영상으로, 인지와 행동을 한 모델로
운전석 시점 관절 추론 2026.11
중국 · 둥베이대·칭화대·랴오닝대시뮬레이션
운전석 영상 + 조작 이력으로 관절 상태 추론 → 굴착 완료율 95%
sensVLA · 휠로더 2026CC BY-NC-ND 4.0
독일 · sensmore(기업)데이터셋 · 실제 휠로더 데이터
sensVLA — 카메라 손상 시 성능 저하 29% 감소
Li et al., arXiv 2611.13690 · Erabati et al., arXiv 2609.17021 (ICRA 2026 워크숍)
42

무엇을 했나 ① 운전석 시점 영상 + 과거 조이스틱 명령 이력으로 관절 상태를 추론해 모방학습(ACT) 정책에 입력. ② Qwen3-2B VLM + 플로 매칭 행동 전문가, 전후방 라이다 BEV 특징을 행동 전문가에 직접 전달.

어디서(나라·기관) ① 중국 둥베이대(선양)·칭화대·랴오닝대 — "목표 선정에서 굴착까지"와 같은 연구진 ② 독일 베를린 sensmore GmbH(기업)

수치와 조건 ① 과업 완료율 95%(20회), 버킷 관절 추론 MAE 0.965°, 스텝당 10.11 ms ② 카메라 손상·제거 시 성능 저하 폭 29% 감소, 종방향 속도 RMSE 28% 감소

한계 ①의 폐루프 검증은 전부 시뮬레이션(AGX Dynamics for Unity)이고, 조이스틱 이력도 입력이라 "카메라만으로"는 아님. ②는 실제 장비 데이터의 오프라인 예측 평가이며 폐루프 실기 시연이 아님.

확인 상태 [확인] 두 건 모두 소속 확정(요청서 "소속 미확인" 해소).

43PS2 · EKF 측위 · 라이다·시각·관성 융합확인 · 일부 확인
03
필드로봇
AI기술

굴착기 측위 — 현장 실용 수준

고전적 방법으로도 실제 현장에서 십수 cm
튀르키예 · 카라뷔크대실기 · 자율 굴착기, 실외 경로
GNSS-RTK + IMU + 엔코더 EKF 융합
불확실성에 따라 가중, 품질이 떨어진 GNSS는 가중치 하향 — 경로 이탈 RMSE 0.139 m
중국 · 상하이응용기술대실기 · 시공 현장 포함 4개 환경
라이다-관성 + 시각-관성 밀결합
라이다 점군으로 영상 초기화 보조 — LVI-SAM 대비 궤적 오차 최대 43.8% 감소
Yüce & Işık, Sensors 26(20):6438 (2026.10) · Wang & Liu, Meas. Sci. Technol. 37(22):226304 (2026.5)
43

무엇을 했나 Holistic Fusion과 대비되는 "현장 실용 수준" 사례 2건.

수치와 조건 EKF: RMSE 0.139 m, P95 0.213 m, 신호 차폐·고진동 구간 포함. 상하이: 주간·야간 긴 복도, 저녁 실외, 굴착기 시공 현장.

한계 상하이 연구의 43.8%는 "시뮬레이션 분석" 수치로 표기됨. 굴착기 장비명 미확인.

확인 상태 [확인] 카라뷔크대 / [일부 확인] 상하이 — 메타데이터상 상하이응용기술대(Shanghai Institute of Technology)만 확인, 요청서의 동제대는 확인되지 않음. 2026년 게재.

44P2 · GOOSE-Ex — 굴착기에 실은 오프로드 데이터셋 · 영상확인(기관 정정)
03
필드로봇
AI기술

GOOSE-Ex — 굴착기에 실은 오프로드 데이터셋

굴착기·4족 로봇 탑재 센서로 모은 공개 분할 데이터
Fraunhofer IOSB · 자율 굴착기 드럼 회수영상
독일 · Fraunhofer IOSB·KIT·뮌헨 연방군대학데이터셋 · Liebherr R924
ICRA 2025
5,000쌍
픽셀 단위 RGB + 점 단위 라이다
100개 이상 시퀀스
Hagmanns et al., arXiv 2409.18788 (ICRA 2025) · goose-dataset.de · 영상은 같은 연구실의 관련 실증
44

무엇을 했나 GOOSE 프레임워크를 굴착기와 4족 로봇으로 확장한 오프로드 의미 분할 데이터셋.

어디서(나라·기관) 독일 Fraunhofer IOSB(카를스루에)·카를스루에공대(KIT)·뮌헨 연방군대학

수치와 조건 5,000쌍(학습 3,989 / 검증 407 / 시험 604), 로봇 굴착기 ALICE(Liebherr R924) + 4족 로봇

확인 상태 [확인] 기관 정정 — 요청서의 코블렌츠대는 저자 소속에 없음.

45PD1 · 데이터셋 목록확인
03
필드로봇
AI기술

공개 데이터셋 — 2023년에는 없던 항목

굴착·건설 현장 인지에 쓸 수 있는 공개 데이터가 생김
데이터셋나라·기관내용연도
GOOSE-Ex독일 Fraunhofer IOSB·KIT·뮌헨 연방군대굴착기·4족 로봇, RGB + 라이다 주석 5,000쌍2025
ETHcavation스위스 ETH건설 현장 파놉틱 주석 502장2024
LiDARDustX중국 후난대 등광산 분진 라이다 3만 프레임, 라이다 6종2025
UCHILE-Dust칠레 칠레대분진 필터링용 라이다, 실내·실외·이동형2025
건설 현장 멀티모달 코퍼스인도 FloMobility가동 현장 2곳, 5종 센서, 506장·28클래스2026
Holistic Fusion 기록스위스 ETH 등HEAP 굴착기 IMU·이중 GNSS·라이다 기록2026
CWT (Baidu TNS)중국 Baidu·미국 메릴랜드대굴착기 주행 영상 30분 + RGB 669장, 7클래스2022
Industrial3D홍콩과기대·홍콩시티대 등정수장 설비 점군 6.1억 점 — 굴착 인지와는 거리2026
arXiv 2409.18788 · 2410.04250 · 2505.21914 · Sensors 25(20):6441 · arXiv 2610.05505 · 2504.06479 · 2109.06250 · 2603.28660
45

무엇을 했나 앞쪽 "로봇 학습의 데이터 격차" 장과 연결. 건설기계 분야도 공개 데이터가 쌓이기 시작했지만 규모는 수백~수만 장 수준.

한계 CWT는 새 데이터셋이 아니라 2022년 TNS 논문의 것이고 "공개 예정"으로만 서술(내려받기 주소 미확인). Industrial3D는 정수장 설비(Scan-to-BIM용)라 굴착 인지와 관련성이 낮아 참고로만 표기. AI-Hub 굴착기 시점 데이터(5만 장, 한국)는 VLM 미세조정 연구에서 사용.

확인 상태 [확인]

계획
46FL · 계획 분야 흐름
03
필드로봇
AI기술

Planning — 무엇이 달라졌나

경로·궤적 최적화에서 학습된 선택과 언어 모델로
영역 커버리지 경로계획
→
현장 단위 3단 계획, 장면 그래프 경로
ETH 2023 · 톈진대 2026
규칙 기반 계층 계획
→
LLM이 스킬 순서와 작업 분해를 생성
LLM 행동트리 2026
아주대·고려대 APEX 2026
굴착점(POA) 휴리스틱 점수
→
학습된 선택기, 월드모델 예측
목표 선정→굴착 2026
휠로더 월드모델 2026
버킷 궤적 최적화
→
궤적 없이 정책이 관절 명령을 직접 출력
ETH 2024 · ExACT 2024
왼쪽: 기존 23–29장(2019–2023) · 오른쪽: 2024–2026
46
세 줄 요약: 전역 계획에 LLM이 들어옴 / 굴착점 선정이 휴리스틱에서 학습된 선택기로 / 버킷 궤적 계획이 정책 학습에 흡수.
47기존 23 · Planning - Task Planning (Global)
48기존 24 · Planning – Task Planning (Global) · 영상 1개
49기존 25 · Planning - Task Planning (Hierarchical)
50기존 26 · Planning - Task Planning (Hierarchical)
51기존 27 · Planning - Task Planning (Local)
52기존 28 · Planning – Bucket Trajectory Planning
53기존 29 · Planning – Bucket Trajectory Planning · 영상 1개
54L4 · LLM 행동트리 — 구조와 결과확인(조건 정정)
03
필드로봇
AI기술

말로 지시하는 다기종 협업 — LLM 행동트리

언어 모델이 스킬 순서와 동기화 조건을 자동 생성
지시 → 행동 순서 → 장비별 행동트리
일본 · 규슈대·PWRI·쓰쿠바대시뮬레이션
시뮬레이션 30개 시나리오 — 단일 100%, 협조 93%
실기: ZX200 굴착기 + 크롤러 덤프
일본 · 토목연구소(PWRI) 시험장실기 · 시나리오 1개
실기 — "한 번 파서 덤프장으로 옮겨라"
Tsutsumi et al., arXiv 2602.01041 (2026.2) · 규슈대·토목연구소·쓰쿠바대
54

무엇을 했나 2단계 구조. ① LLM이 자연어 지시를 "행동 시퀀스"(스킬 호출 목록, 선행 조건 플래그)로 변환 ② 다른 LLM이 템플릿에 맞춰 장비별 XML 행동트리로 변환. 장비별 트리가 글로벌 블랙보드로 플래그를 주고받아 동기화. 스킬 7개(굴착기 5: 이동, 초기 자세, 파서 내려놓기, 고르기, 모으기 / 덤프 2: 이동, 덤프), 하위 동작은 MoveIt·Nav2로 미리 정의.

어디서(나라·기관) 일본 규슈대(쿠라즈메 연구실)·토목연구소(PWRI)·쓰쿠바대(나가타니 교수). 제1저자 Tsutsumi

수치와 조건 OperaSim-PhysX(Unity) 30 시나리오(단일 15 + 협조 15). Claude Opus 4.6과 GPT-5.2: 단일 100%, 협조 93% — 단계당 사람 수정(HITL) 1회 허용 조건. 오픈 모델 gpt-oss 120B: 단일 93%·협조 7%(HITL 허용), HITL 없으면 40%·0%. 실기는 ZX200 + MST110CR, 시나리오 1개(GPT-5로 생성).

한계 다음 장 참조 — 입력에 현장 센서 정보 없음.

확인 상태 [확인] 요청서 정정 — 시뮬레이션은 GPT-5.2·Claude Opus 4.6, 실기는 GPT-5. "HITL 없이는 대부분 실패"는 오픈 모델에만 해당(상용 모델의 HITL 없는 수치는 표에 없음).

55L4b · LLM 행동트리 — 한계확인
03
필드로봇
AI기술

LLM 행동트리 — 93%가 뜻하는 것

현장을 보고 판단한 결과가 아니라 생성된 트리가 오류 없이 실행된 비율
LLM에 들어가는 것
지시문("덤프 두 대로 네 번 파서 옮겨라")
스킬 목록 7개와 플래그 규칙
지형·흙 상태·센서 관측 없음
LLM이 정하는 것
스킬의 순서, 장비 간 동기화 조건
인지와 궤적은 건드리지 않음
성공의 정의
충돌·교착·동기화 위반 없이 끝까지 실행되고 지시를 충족했는가
흙 상태와 지형 변화는 평가 대상이 아님
기여
사람이 손으로 짜던 행동트리를 자동 생성
단계당 사람 수정 1회를 허용한 조건의 수치
Tsutsumi et al., arXiv 2602.01041 (2026) — 해석은 발표자
"언어 지시 → 다기종 계획"이 아니라 "스킬 순서와 동기화 조건의 자동 생성"
55

무엇을 했나 "LLM을 계획에 쓴다"는 것이 현재 어디까지인지 보여주는 기준점으로 사용.

한계 입력에 현장 센서 정보가 없음(지시문·스킬 목록·기본 플래그·플래그 규칙만). 적재 완료 같은 플래그는 실행 중 센서가 갱신하지만 LLM의 계획에는 반영되지 않음. Claude의 실패 1건은 행동 시퀀스가 30줄을 넘어 출력 한계에 걸린 경우.

확인 상태 [확인]

비고 발표자 평가: 기대했던 "현장 상황을 보고 여러 장비를 사람처럼 상위에서 계획"하는 내용이 아니고 규칙으로도 가능한 수준. 요약표에서는 "스킬 순서와 동기화 조건의 자동 생성(시뮬레이션 93%)"으로 낮춰 표기.

56L6 · CLEF (아주대·고려대) · 영상일부 확인
03
필드로봇
AI기술

CLEF — 상위 강화학습 + 하위 모방학습

어디를 팔지는 강화학습이, 어떻게 팔지는 모방학습이
CLEF 검증 영상 · Vortex Studio영상
한국 · 아주대·고려대시뮬레이션
같은 과제 참여 연구실
90.8%
성공률 (단일 구조 71.1%)
굴착기 한 대, 시뮬레이션
Cho, Shin, Kim, Jung, Automation in Construction 182:106742 (2026) · 영상: 제1저자 개인 채널
56

무엇을 했나 상위 계획(강화학습)과 하위 궤적 실행(모방학습)을 분리하고 공유 환경 표현으로 협업. 극좌표 행동 공간으로 굴착 위치 선택.

어디서(나라·기관) 한국 아주대(조준형 제1, 신민규, 정소이 교신)·고려대(김중헌 교신)

수치와 조건 성공률 90.8% 대 단일 구조 71.1%(물리 시뮬레이션)

한계 굴착기 한 대, 시뮬레이션. 실기 없음.

확인 상태 [일부 확인] 서지·소속은 확인(v2의 "고려대 CLEF"를 "아주대·고려대"로 정정). 수치는 학술지 사이트가 막혀 검색 요약으로 확인. 극좌표·Vortex Studio는 기존 조사와 영상 설명 기준. 영상과 논문의 연결은 미확인.

비고 산업부 과제(award 1415187715) 사사 — 발표자와 같은 과제에 참여하는 연구실. 뒤쪽 기계연 연구 장과 연결.

57L6b · APEX (아주대·고려대·KIMM)일부 확인
03
필드로봇
AI기술

APEX — LLM이 작업을 나누고 물리로 검증

LLM은 목표 형상을 단계로 분해, 실행 가능한지는 물리 모델이 검증
LLM목표 형상을 순차 단계로 분해
→
액션 마스크공간 제약을 탐색 범위로
→
마스크 강화학습과제별 미세조정 없음
→
검증된 궤적 라이브러리볼록 다면체 + 토양 저항식
한국 · 아주대·고려대·한국기계연구원시뮬레이션
93.2%
그리드 시뮬레이션
90.1%
Vortex 물리 엔진
−18.8%p
다면체 검증을 빼면
Cho et al., “Physics-validated action masking with LLM-guided decomposition for autonomous excavation”, Automation in Construction 192:107209 (2026)
57

무엇을 했나 Autonomous Physics-validated EXcavation. CLEF의 후속. LLM이 목표 형상을 순차 단계로 분해하고 공간 제약을 액션 마스크로 바꿔 강화학습 탐색을 안내. 오프라인 궤적 라이브러리를 볼록 다면체 분석과 토공 기본 방정식의 토양 저항으로 검증(유압·안정성·미끄럼 제약).

어디서(나라·기관) 한국 아주대(조준형 제1, 신민규, 정소이)·고려대(김병진, 김중헌)·한국기계연구원(차백동)

수치와 조건 그리드 시뮬레이션 93.2%, Vortex 90.1%, 다면체 검증 제거 시 전이 성공률 18.8%p 하락. 평탄화·참호·다구역 굴착.

한계 실기 없음. LLM은 현장 관측이 아니라 목표 형상을 입력으로 받음.

확인 상태 [일부 확인] 서지·소속 확인(요청서의 "아주대"에 고려대·한국기계연구원 추가). 수치는 검색 요약으로 확인. 교신저자 표기는 원문 첫 장 확인 필요.

비고 이름 주의 — 발표자의 AGX 기반 시뮬레이터도 내부 이름이 APEX(Autonomous Platform for Excavation). 덱에서 두 이름이 섞이지 않게 이 장에서만 논문 약칭으로 사용.

58L9 · 연세대 92.4% · 한양대 시뮬레이션일부 확인(출처 정정)
03
필드로봇
AI기술

언어로 조건을 주는 굴착 에이전트, 시공 시뮬레이션

시뮬레이션에서는 언어 지시 → 액추에이터 명령까지
한국 · 연세대시뮬레이션
비전-언어 조건부 굴착 에이전트
VLM + 강화학습 정책 — 의미 지시·시각 관측·기구학 상태에서 액추에이터 명령. 일곱 가지 의미 행동 평균 92.4%
한국 한양대 · 미국 Texas A&M시뮬레이션
강화학습 기반 굴착기 작업 3D 시뮬레이션
실제 굴착기 기구 특성을 반영한 에이전트로 동작 계획과 사이클 타임 추정 — 시공 계획용 시각화
Jung & Hong, Advanced Engineering Informatics 77:105287 (2026) · Yoon, Ham, Han, Automation in Construction 181:106626 (2026)
58

무엇을 했나 음성 조사에서 "일곱 가지 의미 행동 92.4%"로 소개된 논문의 원문을 찾음.

어디서(나라·기관) ① 연세대(정승훈 제1, 홍태훈 교신) ② 한양대(윤충배, 한상욱)·Texas A&M(함영집)

수치와 조건 ① 평균 92.4%, 굴착-덤프 성공률 83.0%(고정 목표) / 81.0%(무작위 목표), 물리 기반 시뮬레이션

한계 둘 다 시뮬레이션. ②는 자율 제어가 아니라 시공 계획용 시뮬레이션·시각화 성격.

확인 상태 [일부 확인] 요청서 정정 — 92.4% 논문은 Automation in Construction·한양대가 아니라 연세대, Advanced Engineering Informatics. 한양대 181권 논문과는 별개. "추가 학습 없이 면적 굴착·참호 수행" 문구는 확인하지 못함. 수치는 검색 요약 기준.

59L10 · 도저 계획 2편확인
03
필드로봇
AI기술

도저 계획 — 경로와 정지 기동

굴착기 밖에서는 도저의 경로와 기동 순서가 계획 문제
중국 · 톈진대실기 · 실제 현장 시나리오 포함
장면 그래프 + 강화학습 도저 경로 계획
전환 작업 구간의 복잡한 상황과 조향 최소화 — PPO, TD3, A* 대비 경로 거리·조향 우세
튀르키예 · 이뇌뉘대시뮬레이션
전기 도저 정지 기동 결정 알고리즘
출력이 제한된 전기 도저의 굴착·운반·덤프·복귀 기동을 휴리스틱으로 계산 — 45 m × 60 m, 16~64초
Gao et al., Automation in Construction 181:106617 (2026) · Bettemir, Journal of Field Robotics 43(4):2785–2804 (2026)
59

무엇을 했나 기존 24쪽(Bosch AGPNet)의 후속 맥락.

어디서(나라·기관) ① 중국 톈진대(6명 전원, 수리·댐 토공 맥락) ② 튀르키예 이뇌뉘대(Bettemir 단독)

수치와 조건 ② 계산 시간은 폭에 선형, 길이에 2차로 증가. 배터리 전압 강하 고려.

한계 ①의 정량 수치는 미확인. ②는 실기 없이 시뮬레이션.

확인 상태 [확인] ① 소속을 "톈진대 추정"에서 확정

60L5 · 휠로더 월드모델확인(범위 명시)
03
필드로봇
AI기술

어디를 팔 것인가 — 월드모델로 고르기

확산 모델이 후보를 내고 월드모델이 결과를 예측해 선택
휠로더 월드모델 2026
중국 · Tsing-AI·상하이교통대·상하이해양대시뮬레이션
스쿱 수 17.1% 감소 (시뮬레이션)
탑재 카메라 화면의 후보 궤적 5개
중국 · XCMG XC958EV 전기 휠로더실기 · 실행 가능성 시연
후보 5개 처리 72 ms — 실기는 폐루프 동작 확인
Zhang et al., “From Prediction to Decision”, arXiv 2609.15382 (2026)
60

무엇을 했나 확산 모델이 스쿱 후보 제안 → 기하 필터 → 월드모델이 지형 변화·적재량 예측 → 최대 적재 후보 실행 후 재계획.

어디서(나라·기관) 중국 Tsing-AI(상하이)·상하이교통대·상하이해양대. 장비 XCMG XC958EV(정격 적재 5.5 t), 항만 철광석 분말 더미

수치와 조건 평균 스쿱 수 651.8 → 540.6(−17.1%), 완료 32/32 대 SAC 29/32 — 시뮬레이션. 후보 5개 72.4 ms(Jetson AGX Orin).

한계 17.1%는 시뮬레이션 수치이고 실기는 폐루프 실행 가능성 시연(정량 비교 없음).

확인 상태 [확인] 소속 추가, 수치의 범위 명시

61L1 · 현장 단위 자율 굴착 계획 · 영상확인
03
필드로봇
AI기술

현장 단위 자율 굴착 계획

지형 스캔부터 전역·국부·굴착 계획까지 한 시스템으로
ETH RSL · 2023영상
스위스 · ETH RSL실기
기준 연구
30초
평균 굴착 사이클 (사람 수준)
문서화된 최대 규모 자율 굴착
Terenzi & Hutter, “Towards Autonomous Excavation Planning”, arXiv 2308.11478, CC BY 4.0
61

무엇을 했나 지형 매핑 → 전역(자세 순서)·국부(흙 이동)·굴착(궤적 순서) 3단 계획.

어디서(나라·기관) 스위스 ETH RSL

수치와 조건 평균 굴착 사이클 약 30초(실기, 사람 운전원과 비슷)

확인 상태 [확인] 수치 일치. 학술지(T-FR) 게재 권호는 미확인.

62L2 · 굴착을 넘어 조형으로 — 자율 석축 · 영상확인
03
필드로봇
AI기술

굴착을 넘어 조형으로 — 자율 석축

현장의 바위를 스캔하고 골라 높이 6 m, 길이 65 m 석축 시공
ETH Zürich · Science Robotics 2023영상
스위스 · ETH (+키프로스대)실기 · HEAP 굴착기
대표 성과
6m
옹벽 높이
65m
옹벽 길이
Johns et al., Science Robotics 8(84), eabp9758 (2023) · 영상: ETH Zürich 공식
62

무엇을 했나 현장 석재를 스캔·디지털화해 배치 계획, 굴착기(삽 + 그리퍼)로 건식 석축과 지형 조성.

어디서(나라·기관) 스위스 ETH Zürich · University of Cyprus

수치와 조건 옹벽 65.5 m × 1.8 m × 6 m(초록 원문). 별도로 10 m × 1.7 m × 4 m 독립 석벽, 테라스 665 m².

확인 상태 [확인] v2의 "규모 수치 재확인 필요" 문구 삭제.

63L8 · 목표 선정에서 굴착까지 한 흐름 · 그림확인
03
필드로봇
AI기술

목표 선정에서 굴착까지 한 흐름

지도에서 굴착점을 고르고 강화학습 이동 + 모방학습 굴착
축소형 유압 굴착기 2026
중국 랴오닝대·둥베이대·칭화대 · 스웨덴 KTH축소형 실기
2026 · ETH 외
2.4배
고정 굴착 대비 사이클당 적재량
6.52 kg 대 2.68 kg
Zhao et al., arXiv 2609.29750 (2026.9) Fig. 3 · 자매 논문 arXiv 2608.21778
63

무엇을 했나 라이다 고도맵에서 굴착 목표를 고르고 버킷 끝 웨이포인트로 변환. 접근·운반은 작업 조건부 강화학습, 굴착·들어올리기는 시연으로 배운 모방학습(ACT). 굴착점 선정(POA)의 학습화.

어디서(나라·기관) 중국 랴오닝대(Shuai Zhao 제1)·둥베이대(선양, Ji-an Pan 교신)·칭화대(3명), 스웨덴 KTH(Quantao Yang)

수치와 조건 사이클당 6.52 kg 대 고정 굴착 2.68 kg(2.4배). 5스쿱 연속 굴착 3회 모두 무개입 완료. 축소형 유압 굴착기 실기.

한계 축소형 장비. 자매 논문(Vision Guided Target Conditioned Control, 2608.21778)은 전부 시뮬레이션: 더미 제거율 76.8% 대 27.4%, 사람 대비 효율 91.0%.

확인 상태 [확인] 소속에 스웨덴 KTH 추가(요청서 누락). 칭화대 저자는 이 논문 3명, 자매 논문 5명.

64L12 · 탐페레대 바위 포획 · 그림확인
03
필드로봇
AI기술

모델 없이 배우는 바위 포획

바위와 흙의 물성을 모델링하지 않고 보상 설계만으로 학습
탐페레대 2025–2026CC BY 4.0
핀란드 · 탐페레대시뮬레이션 · AGX Dynamics
기계연과 같은 엔진
PPO + 유도 보상
표준 버킷으로 바위 포획
처음 보는 바위·토양에서
사람과 비슷한 성공률
Molaei, Heravi, Ghabcheloo, arXiv 2510.04168 · Automation in Construction 185:106869 (2026)
64

무엇을 했나 AGX Dynamics에서 PPO + 유도 보상으로 표준 버킷 바위 포획을 학습. 붐·암·버킷 속도를 직접 출력.

어디서(나라·기관) 핀란드 탐페레대(Ghabcheloo 그룹)

수치와 조건 CAT365 굴착기 모델. 사람 참가자와 비슷한 성공률(정량값은 초록에 없음).

한계 시뮬레이션만. ETH 바위 굴착(실기 12톤, 성공률 70%)과 대비.

확인 상태 [확인] 소속 확정

비고 발표자의 AGX 기반 시뮬레이터와 같은 물리 엔진이라 직접 비교 가능.

65L11 · 궤적 계획 대 정책 학습확인
03
필드로봇
AI기술

버킷 궤적 — 계획할 것인가, 정책에 맡길 것인가

궤적 최적화 전통은 남아 있고, 정책이 직접 내는 흐름이 커짐
궤적을 계획한다
중국 · 지린대·시난교통대시뮬레이션
전문가 시연의 전역 확률 모델(GMMP)
시연 궤적을 확률 모델로 학습 + 샘플링 최적화, 재학습 없이 다른 굴착기로
중국 · 지린대시뮬레이션
입자 군집 최적화 + 강화학습 참호 궤적
오프라인 최적 궤적을 표본으로 학습, 0.5초 안에 생성
중국 · 타이위안공업학원시뮬레이션
개선 TD3 시간 최적 궤적
관절각 입력, 관절각 변화량 출력 (평면 다듬기)
정책이 직접 낸다
스위스 · ETH RSL실기
강화학습 버킷 채우기 (T-FR 2024)
장비가 멈추지 않게 한계를 지키며 버킷을 채움 — 궤적이라는 중간 산출물 없음
핀란드 · 탐페레대시뮬레이션
모델 없이 배우는 바위 포획
바위·토양 물성 모델 없이 붐·암·버킷 속도 직접 출력 (AGX Dynamics)
중국 Baidu(미국 연구소)시뮬레이션
ExACT
라이다·카메라·관절 상태 → 밸브 명령
AiC 182:106736 · CACAIE 40(13) · Adv. Mech. Eng. 17(8) · IEEE T-FR 1:170–191 · arXiv 2510.04168 · arXiv 2405.05861
65

무엇을 했나 기존 28쪽의 "방법 네 가지" 카드를 "궤적 계획 대 정책 학습" 대비로 재구성.

어디서(나라·기관) GMMP — 중국 지린대·시난교통대(Automation in Construction 182권, 제목은 "Excavator trajectory planning via global probabilistic learning from expert demonstrations") / 참호 궤적 — 지린대 등(CACAIE 2025) / TD3 — 타이위안공업학원·타이위안과기대(2025) / 버킷 채우기 — ETH(Egli, Terenzi, Hutter) / 바위 포획 — 핀란드 탐페레대(Automation in Construction 185권에도 게재)

수치와 조건 참호 궤적: 생성 0.5초 이내, 굴착률 92% 초과. TD3: 학습 시간 24.8~40.3% 단축. 바위 포획: CAT365 모델, 사람 참가자와 비슷한 성공률(정량값 초록 없음).

한계 왼쪽 세 건과 바위 포획, ExACT는 시뮬레이션 검증. 실기는 ETH 버킷 채우기뿐. GMMP는 기존 29쪽(서울대·두산 숙련자 모사, DMP)의 후속 맥락.

확인 상태 [확인] 소속 모두 확정(요청서의 "소속 미확인" 해소). GMMP 수치는 미확보.

66L7 · ExACT — 궤적 계획 없이 밸브 명령까지 · 영상확인
03
필드로봇
AI기술

ExACT — 궤적 계획 없이 밸브 명령까지

라이다·카메라·관절 상태에서 밸브 명령을 직접 출력
Baidu RAL · ICRA 2024 워크숍영상
중국 Baidu (미국 연구소)시뮬레이션
모방학습
소수 시연으로 도달·굴착·덤프
Baidu 팀의 최근 발표
Chen et al., arXiv 2405.05861 (ICRA 2024 워크숍)
66

무엇을 했나 라이다·카메라·관절 위치 → 밸브 직접 제어(ACT 모방학습).

어디서(나라·기관) Baidu Research Robotics and Autonomous Driving Lab(USA)

한계 실측 데이터로 만든 시뮬레이터에서 검증. 정량 성공률은 초록에 없음.

확인 상태 [확인]

제어
67FC · 제어 분야 흐름
03
필드로봇
AI기술

Control — 무엇이 달라졌나

기법을 나열하던 단계에서 세 갈래로 수렴
PID, 슬라이딩 모드, 적응 제어
→
외란 관측기·수동성 제어로 정교화
광시대·저장대 2025
옌산대 2025
모델예측제어(MPC)
→
학습한 모델을 MPC에, 유압 구조별 저수준 루프
ETH 정지 제어 2026
저장대 EfficientTrack 2025
시뮬레이션에서 설계 후 이식
→
실기에서 바로 학습, 수십 분 데이터
ETH·칠레대 2026
칠레대 해머 2026
강체 시뮬레이션
→
입자 흙 시뮬레이션에서 학습
NAIST·PWRI 2026 · ETH 2026
왼쪽: 기존 30–31장 · 오른쪽: 2022–2026
67
세 줄 요약: 고전 제어는 외란 관측기로 정교화 / 학습은 모델 기반 강화학습과 MPC로 수렴 / 실기 직접 학습. 17쪽 지도의 Base control과 Hybrid control은 굴착기 논문이 여전히 드물고 스키드 로더·도저 쪽에서 메워지는 중.
68기존 30 · Control
69기존 31 · Control · 영상 1개
70C6 · ETH 정지 제어 1.8 cm 대 4.7 cm · 영상확인
03
필드로봇
AI기술

정밀도 — 상용 머신 컨트롤과의 비교

같은 장비, 같은 흙에서 상용 제어기보다 2.6배 정밀
ETH RSL · RSS 2026영상
스위스 ETH RSL · Hexagon실기 · CASE250, 다짐토 10회
2026 · 정밀도 축
1.8cm
경로 추종 RMSE
4.7cm
상용 제어기, 같은 조건
Werner, Eyschen, Costello, Cramariuc, Hutter, “High Precision Hydraulic Excavator Control for Heavy-Duty Grading”, RSS 2026, arXiv 2605.09465
70

무엇을 했나 유압 구조별 저수준 루프(유압 피드포워드 + PID)와 경로 추종 MPC. 로드센싱과 네거티브 플로 제어 장비 모두에서 숙련자 속도로 고정밀 정지. 상용은 조기에 멈추는 반면 최대 기능 압력까지 활용.

어디서(나라·기관) 스위스 ETH RSL(Werner, Eyschen, Cramariuc, Hutter)·Hexagon(Costello)

수치와 조건 CASE250(네거티브 플로 제어 유압): 제안 RMSE 1.8 cm(최대 편차 5 cm) 대 상용 4.7 cm(최대 17 cm), 다짐토에서 깊이가 다른 정지 패스 10회. Menzi Muck M445(로드센싱)에서는 1.4 cm. 장비별 캘리브레이션 약 20분.

한계 1.8 대 4.7 cm는 장비 한 대(CASE250)에서의 비교. 비교한 상용 제품명은 논문에서 밝히지 않음. 상용 제어기는 단단한 흙에서 목표 깊이에 도달하지 못함.

확인 상태 [확인] arXiv 2605.09465, RSS 2026. 저자에 Costello(Hexagon) 추가.

비고 v2의 제어 신규 장이 모두 강화학습이던 것을 보완하는 "정밀도" 축. 학습이 아니라 모델 기반 제어.

71C7 · 온라인 모델 기반 강화학습 (ETH·칠레대) · 그림확인
03
필드로봇
AI기술

실기에서 바로 배우기 — 20분

시뮬레이션도 시연도 없이 장비 위에서 모델을 배워 MPC로
온라인 모델 기반 강화학습 2026.9
스위스 ETH RSL · 칠레 칠레대실기 · M445 11.5 t
실기 직접 학습
20분
기존 학습 제어기 수준 도달
40분
고속에서 cm 미만 경로 오차
Canales, Nan, Hutter, Ruiz-del-Solar, “Precision at Speed”, arXiv 2609.31025 (2026.9)
71

무엇을 했나 확률적 동역학 앙상블을 처음부터 온라인 학습해 샘플링 기반 MPC에 사용. 같은 급 장비라도 구동 동역학이 달라 장비마다 학습이 필요하다는 동기.

어디서(나라·기관) 스위스 ETH RSL·칠레 칠레대 AMTC 공동(제1·교신 Canales는 칠레대, 유압 해머 논문의 공저자)

수치와 조건 20분 상호작용으로 기존 학습 제어기(100~150분 데이터)와 비슷한 추종 정확도, 40분 이후 고속에서 cm 미만 평균 경로 오차. Menzi Muck M445 11.5 t 실기.

확인 상태 [확인] arXiv 2609.31025. 요청서의 "ETH"를 ETH·칠레대 공동으로 정정.

72C4 · NAIST·PWRI 매설 장애물 제거확인
03
필드로봇
AI기술

입자 시뮬레이션에서 실기로 — 매설 장애물 제거

흙과 장애물을 입자로 흉내 내 3일 학습 후 12톤 실기로
NAIST · 2026영상
일본 · NAIST·토목연구소(PWRI)실기 · 히타치 ZX120, 12 t
매설 장애물 제거 — 3일 학습, 실기 전이
NAIST · IEEE T-ASE 2025영상
일본 · NAIST시뮬레이션
해상도 점진 증류 — 거친 시뮬레이션에서 정밀로
Kadokawa et al., arXiv 2606.09183 (2026) · arXiv 2412.07477 (IEEE T-ASE 2025)
72

무엇을 했나 RGB-D 입력 → 파라미터화된 굴착 궤적. 매설 깊이와 입자 수를 함께 늘리는 커리큘럼으로 입자 시뮬레이션에서 학습한 뒤 실기 전이.

어디서(나라·기관) 일본 NAIST(Kadokawa 제1)·토목연구소(PWRI). JST Moonshot 사사

수치와 조건 제안 커리큘럼 3일 대 기준 방법 1주(실패). 실기 히타치 ZX120(12 t), 노지, 강재 장애물 여러 종.

한계 장애물은 강재. 오른쪽 논문의 학습 시간 단축 수치는 이번 조사에서 재대조하지 않음(v2의 "1/7 미만" 문구 삭제).

확인 상태 [확인] v2의 "NAIST"를 NAIST·PWRI 공동으로 정정.

73C5 · 68분 데이터로 배운 유압 해머 · 그림확인
03
필드로봇
AI기술

68분 데이터로 배운 유압 해머

원격조작 기록만으로 유압 모델을 만들고 강화학습 정책을 실기에
칠레대 · Bobcat E10 · 2026
칠레 · 칠레대 AMTC실기 · Bobcat E10 미니 굴착기
데이터 효율
68분
학습에 쓴 조작 데이터
12cm
위치 오차 미만
Leiva et al., arXiv 2601.07813 (2026) · 영상: youtu.be/e-7tDhZ4ZgA (임베드 제한, 링크로 재생)
73

무엇을 했나 원격조작 데이터만으로 유압 팔 동역학을 학습 → 강화학습·MPC 정책 합성 비교 → 조정 없이 실기 전이.

어디서(나라·기관) 칠레 칠레대 AMTC·전기공학과

수치와 조건 위치 오차 12 cm 미만, 피치 오차 0.08 rad 미만, 학습 약 68분 + 평가 8분 데이터, 치즐 지름 4 cm

한계 이산 관절 제어 인터페이스라는 제약 조건.

확인 상태 [확인]

74C3 · ETH·Liebherr 재료 취급기 · 영상확인
03
필드로봇
AI기술

대형 자재 운반기 — 학습·계획·제어를 한 시스템으로

40톤 장비의 매달린 집게로 더미 관리와 트럭 적재
ETH RSL · 대형 재료 취급 로봇영상
스위스 ETH RSL · 독일 Liebherr실기 · 40 t 재료 취급기
IEEE T-FR 2026
40t
재료 취급기
공략점 선정과 던지기 동작을 강화학습으로
Spinelli et al., IEEE T-FR 3:252–279 (2026), arXiv 2508.09003 · 선행: arXiv 2410.05093 (IROS 2024)
74

무엇을 했나 인지·더미 공략점 선정(강화학습)·경로 계획·궤적 추종 제어(강화학습, 동적 던지기)를 통합한 재료 취급기 자동화. IROS 2024 논문(흔들리는 집게 제어)의 후속.

어디서(나라·기관) 스위스 ETH RSL·독일 Liebherr-Hydraulikbagger

수치와 조건 40톤 실기, 더미 관리와 트럭 정밀 적재, 사람 운전원과 비교

확인 상태 [확인] T-FR 3권 252–279쪽. ETH·Liebherr 공동.

75C8 · SY750H 대리 모델 · 그림확인
03
필드로봇
AI기술

굴착기 전체를 흉내 내는 대리 모델

대형 굴착기의 선회·붐·암·버킷을 하나의 학습 모델로
단계적 디지털 대리 모델 2026.7
중국 · 베이징우전대·Yaowu(선전)실기 · SY750H 디지털 개조
개발용 대리 모델
밸브를 표준 API로 추상화
정규화 입력의 통합 인터페이스
시뮬레이션에서 검증 후 실기로
Wang et al., “Learning a System-Level Surrogate for Hydraulic Excavators”, arXiv 2607.15656 (2026.7)
75

무엇을 했나 굴착기를 입출력 연산자로 보고 LSTM 대리 모델을 학습. MuJoCo에서 검증한 뒤 디지털 리트로핏한 SY750H 실기로 전이, 적응 칼만 필터로 상태 추정.

어디서(나라·기관) 중국 베이징우전대(BUPT)·Yaowu (Shenzhen) Technology

수치와 조건 1단계(MuJoCo) 폐루프 각속도 RMSE 0.0074~0.0219. 실기 수치는 조건별 표.

한계 제어 정책이 아니라 개발용 대리 모델. 논문은 "SY750H"만 적고 제조사(SANY)와 톤수는 명시하지 않음 — 75톤급은 모델명에서 추정.

확인 상태 [확인] 소속 확정(요청서 "소속 미확인" 해소)

76C9 · Heavy Metal Acrobatics · 그림확인
03
필드로봇
AI기술

4족 로봇 방식이 유압 장비로 — 스키드 로더

시뮬레이션 학습 → 실기 전이로 5톤 장비가 두 바퀴로 균형 주행
Science Robotics 2026
스위스 ETH RSL · 미국 Blue River·Intel · Gravis실기 · John Deere 332G, 5 t
토공이 아니라 주행 제어
두 바퀴 세우기, 균형 주행,
제자리 회전, 연착륙
ETH 공저 — ETH 외 사례로 세지 않음
Lorentz et al., “Heavy Metal Acrobatics”, Science Robotics 11, eaef0894 (2026), arXiv 2611.18365
76

무엇을 했나 4족 로봇에서 쓰던 방식(시뮬레이션 강화학습 → 제로샷 배치)을 실물 유압 장비로 옮긴 사례.

어디서(나라·기관) 스위스 ETH RSL·미국 Blue River Technology(John Deere)·Gravis Robotics·Intel

한계 토공 작업이 아니라 두 바퀴 균형 주행. ETH 공저이므로 ETH 외 사례로 쓰지 않음.

확인 상태 [확인] Science Robotics 게재본 확인. 공식 영상은 찾지 못함.

비고 뒤쪽 기계연 연구의 필드 지형 강화학습 장과 연결 가능. 17쪽 지도의 Base control이 굴착기 밖에서 메워지는 사례.

77C2 · 바위 제거 — 숙련자와의 거리확인
03
필드로봇
AI기술

바위 제거 — 숙련자와의 거리

토질을 입력받지 않아도 단단한 흙은 끌고, 무른 흙은 파고듦
12 t 굴착기 · ETH 2025CC BY 4.0
스위스 · ETH RSL실기 · 12 t
성공률 70% — 숙련 운전자 83%
같은 정책, 다른 흙CC BY 4.0
스위스 · ETH RSL실기
토질별 버킷 경로 — 추정 없이 나타난 전략
Gruetter, Terenzi, Egli, Hutter, arXiv 2509.17683 (2025) Fig. 1·5
77

무엇을 했나 바위당 라이다 20점 표현을 입력받는 강화학습 정책. 인지 구간의 P3과 같은 논문.

수치와 조건 성공률 70%(숙련자 83%), 바위 0.4~0.7 m, 여러 토질

확인 상태 [확인]

78C10 · 고전 제어 2편 · EfficientTrack확인 · 일부 확인
03
필드로봇
AI기술

고전 제어의 최근 흐름

사라진 것이 아니라 외란 관측기와 학습 보정으로 정교화
중국 · 광시대·저장대·LiuGong실기
외란 관측기 + 수동성·임피던스 제어
에너지 기반 제어에 개선 외란 관측기를 결합한 궤적 추종 (Automation in Construction 2025)
중국 · 옌산대실기
신경망 기반 적응 퍼널 제어
추종 오차를 미리 정한 범위 안에 가두는 제어 + 신경망 보정 (Machines 2025.12)
중국 · 저장대·NetEase Fuxi실기 · XCMG XE75, 7.5 t
EfficientTrack — 모델 기반 학습 궤적 추종
폐루프 동역학을 학습해 적은 상호작용으로 추종 오차 저감 (IROS 2025, 코드 공개)
Gong et al., AiC 170:105898 (2025) · Li & Qi, Machines 13(12):1132 (2025) · Zou et al., IROS 2025, arXiv 2509.17387
78

무엇을 했나 v2의 제어 신규 장이 모두 강화학습이던 것을 보완하는 고전·혼합 제어 사례.

한계 앞의 두 건은 정량 수치가 초록에 없음.

확인 상태 [일부 확인] 첫 논문은 요청서의 "관성 성형 제어기"로 소개됐으나 원문 표현은 수동성·임피던스 제어 + 외란 관측기이고 "관성 성형" 용어는 확인되지 않음. 퍼널 제어는 2026이 아니라 2025.12 게재. EfficientTrack 소속 확정.

79C11 · 서울대 2편 · KAIST확인
03
필드로봇
AI기술

한국 — 제조사와 대학이 함께

서울대·KAIST 모두 30톤급 장비를 대상으로
한국 · 서울대·HD현대사이트솔루션실기 · 30 t, 45° 경사면
정밀 절토 + 탑재형 지형 검사 통합 자율 굴착기
지형 추정·경로 생성·제어·굴착 후 검사를 탑재 센서만으로 — cm 수준 반복 정확도 (IEEE RAM 2025)
한국 · 서울대·HD현대사이트솔루션실기
미끄럼·전복 방지 실시간 궤적 조정
경사면 굴착에서 미끄럼과 전복 조건을 하나의 부등식으로 묶어 궤적을 실시간 변조 (RA-L 2025)
한국 · KAIST시뮬레이션 · 30 t
강화학습 반자동 정지 제어
운전자의 암 조작에 맞춰 붐·버킷을 자동 제어 — 모델 기반 + 학습 결합 (IJCAS 2025)
Jang et al., IEEE RAM 32(3) (2025) · C. Kim et al., RA-L 10(4) (2025) · Y.-B. Kim & J. Kim, IJCAS 23(3) (2025)
79

무엇을 했나 한국의 제어 연구 3건. 서울대 두 건은 HD현대사이트솔루션 연구원이 공저자.

한계 KAIST 연구는 실기가 아니라 30톤급 시뮬레이션.

확인 상태 [확인] 요청서 정정 — HD현대사이트솔루션은 "지원"이 아니라 공저. 게재처·권호 확정.

80C1 · 토질 적응 굴착 — 학습한 유압 모델 위의 강화학습 · 영상v2 유지
03
필드로봇
AI기술

토질 적응 굴착 — 학습한 유압 모델 위의 강화학습

실기 데이터로 배운 구동기 모델 덕분에 시뮬레이션 정책이 실기에서 동작
ETH RSL · RA-L 2022영상
스위스 · ETH RSL실기
기반 기술
흙 종류가 달라도 같은 정책
이후 ETH 연구의 공통 토대
Egli et al., “Soil-Adaptive Excavation Using Reinforcement Learning”, RA-L 2022
80

무엇을 했나 2022년 출발점. 이후 버킷 채우기(T-FR 2024), 바위 굴착(2025), 제방(2026)으로 이어짐.

확인 상태 [덱] v2 유지

종단간
81기존 32 · 모방학습 기반의 End-to-End 자율작업 · 영상 1개
82FE · 종단간 세 층
03
필드로봇
AI기술

End-to-End — 한 장에서 세 층으로

2023년에는 사례 한 건, 지금은 학계의 정책, 산업의 상용, 결합 구조
학계
굴착 파운데이션 정책
대규모 시연 → 사전학습 → 미세조정
재질 상태를 아는 정책으로 42 m 제방
ETH ExT 2025 · ETH 제방 2026
히타치건기·NAIST 과제(착수)
산업
무인 상용과 VLA
운전석을 비운 굴착기의 상용 현장 투입
범용 VLA를 굴착기 조작 데이터로 미세조정
Bedrock 2026.8 · Actor × π0.5
→ 기업 동향 구간
구조
상위 추론 + 하위 정책
느린 비전-언어 모듈이 장면과 지시를 해석
빠른 정책이 실시간 동작 생성
GR00T N1의 이중 시스템
— 건설기계 적용은 아직
요청서 5.4절 정리
82

무엇을 했나 기존 32쪽(Actor × π 한 장)이 세 층으로 늘어난 구도.

한계 쓰지 않는 것 — "임바디드 AI 코어 탑재 굴착기, 2026년 양산 원년"은 출처가 중국 부품 업체 블로그(제조사·모델명 없음)라 덱에 사실로 넣지 않음. 상하이교통대 SmolVLA 학부 캡스톤(BuilderX 후원)은 원문을 찾지 못해 넣지 않음.

확인 상태 조사자 정리. 교육 층(학부 캡스톤)은 출처 미확인으로 장에서 제외.

83L3 · 42 m 제방 (ETH·Hexagon) · 영상확인
03
필드로봇
AI기술

흙 상태를 아는 정책 — 42 m 제방

같은 정책이 11.5톤 굴착기와 500 g 탁상 로봇에서 동작
ETH RSL · 2026영상
스위스 ETH RSL · Hexagon실기 · M445 11.5 t
2026 최고 수준
45분
42 m 제방 조성
201회
무개입 연속 스트로크
Werner et al., “Size Doesn’t Matter: Material-State RL”, arXiv 2609.12677 (2026), CC BY-NC-SA 4.0
83

무엇을 했나 성토·되메우기·다짐은 흙의 흐름·저항·마찰·이전 하중에 달려 있다는 문제의식. 재료 상태(형상·다짐도)를 아는 GPU 입자(MPM) 시뮬레이션에서 강화학습, 정규화된 끝단 좌표로 크기가 다른 장비에 같은 가중치 적용.

어디서(나라·기관) 스위스 ETH RSL·Hexagon Innovation Hub

수치와 조건 42 m × 2.1 m 제방 45분, 정책 스트로크 201회(실패·재시도·개입 없음), Menzi Muck M445 11.5 t. 500 g 탁상 로봇은 정성 시연.

한계 정량 결과는 제방. 되메우기·다짐은 정성 시연.

확인 상태 [확인] ETH·Hexagon 공동으로 정정.

비고 재질 인식이 인지의 하위 항목에서 정책 안으로 들어간 대표 사례 — 인지 구간과 이어짐.

84X2 · 히타치건기·NAIST 피지컬 AI 과제 · 그림확인 · 회사 발표
03
필드로봇
AI기술

히타치건기 피지컬 AI 과제

운전원의 영상과 레버 조작 이력을 장시간 학습하는 국가 과제
히타치건기 보도자료 (2026.9.9)히타치건기
일본 · 히타치건기·Jizai·NAIST국가 과제회사 발표 기준
2026.10 착수
실수 후 복구 과정까지 포함
날씨·주변·기계 상태 다양화
목표: 재해 현장 잔해 제거,
굴착·적재 자율
히타치건기 뉴스 릴리스(2026.9.9) · NEDO GENIAC 채택
84

무엇을 했나 카메라 영상과 작업 지시로 운전원의 레버 조작을 학습하는 피지컬 AI. 히타치건기가 총괄·데이터 수집·실증, Jizai가 데이터 활용·학습 환경, NAIST가 굴착기 자율화용 기반 모델.

어디서(나라·기관) 일본 히타치건기·Jizai·NAIST. 경제산업성·NEDO의 GENIAC 사업

한계 착수 단계로 성능 수치·기간·예산은 발표에 없음. 대상은 중형 유압 굴착기.

확인 상태 [확인] 회사 원문

85X1 · ExT (ETH) · 그림확인(범위 명시)
03
필드로봇
AI기술

ExT — 굴착 파운데이션 정책

여러 전문가의 시연으로 사전학습한 하나의 다중 과제 정책
ETH RSL 2025
스위스 · ETH RSL실기 · M545, 사전학습 정책 전이시뮬레이션
학계 대표
15만
강화학습 전문가의 성공 시연
cm
실기 굴착 사이클 정확도
Zhai, Terenzi, Frey, Garcia Soto, Egli, Hutter, arXiv 2509.14992 (2025.9) Fig. 1
85

무엇을 했나 원격조작·강화학습·스크립트 전문가의 시연을 대량 수집 → 다중 과제 트랜스포머 사전학습 → 지도 미세조정 또는 강화학습 미세조정. GPT 방식 트랜스포머가 RNN 기준선을 앞섬(팔 이동·덤프 같은 정밀 과제에서 특히). 굴착과 중단·복귀 사이에 긍정적 전이.

어디서(나라·기관) 스위스 ETH RSL(저자 6명)

수치와 조건 시뮬레이션에서 성공 시연 15만 개 수집. Menzi Muck M545 실기에서 cm 수준 정확도의 완전한 굴착 사이클(시뮬레이션→실기 제로샷, 단일 과제 전용 제어기와 비슷). 사전학습 + 지도 미세조정은 1,000개 시연으로 새 과제 습득(15만 개 대비 100분의 1).

한계 미세조정·신규 과제·미지 조건 적응·망각 결과는 시뮬레이션에서만 보임. 실기는 사전학습 정책의 전이. 오픈소스는 "채택 후 공개 예정". 범용 정책은 아님.

확인 상태 [확인] 저자 6명(Garcia Soto 추가). 수치의 범위 구분.

86X3 · GR00T N1 이중 시스템 · 그림확인
03
필드로봇
AI기술

상위 추론과 하위 정책이 만나는 구조

느린 비전-언어 모듈 + 빠른 동작 생성 정책
GR00T N1 모델 개요NVIDIA, CC BY 4.0
미국 · NVIDIA데이터셋 · 휴머노이드 대상
구조 참고
시스템 2 — 장면과 지시 해석
시스템 1 — 실시간 동작 생성
"상위 LLM 계획"과 "하위 종단간
정책"을 잇는 틀
NVIDIA, “GR00T N1”, arXiv 2503.14734 (2025) Fig. 2
86

무엇을 했나 이중 시스템 VLA. 시스템 2(비전-언어 모듈)가 환경과 지시를 해석하고 시스템 1(확산 트랜스포머)이 실시간 동작을 생성. 두 모듈을 함께 학습.

한계 건설기계 적용 사례가 아님(휴머노이드). 시스템 2는 "느린 추론 계획기"라기보다 VLM 기반 모듈.

확인 상태 [확인]

비고 계획 구간의 LLM 행동트리(상위)와 종단간 정책(하위)이 어떻게 합쳐질 수 있는지 설명하는 용도.

기업 동향
87I0 · 기업 동향 구도
03
필드로봇
AI기술

기업 동향 — 세 갈래의 접근

같은 "자율 굴착"이라도 출발점이 다른 세 방식
1
운전원 시연을 그대로 학습
카메라 영상과 조작 기록 → 레버 명령
종단간(E2E), VLA 미세조정
Bedrock · Actor(π0.5)
히타치건기·NAIST 과제
2
지형을 3D로 만든 뒤 계획
라이다로 현장을 실시간 지도화
목표 지형과 비교해 작업·경로 결정
AIM × Komatsu · DeepX
Gravis(ETH 계열)
3
원격 감독으로 먼저 매출
원격조종 + 부분 자율, 1명이 여러 대
운영하며 데이터 축적
Teleo · TerraFirma · BuilderX
SANY(5G 원격)
각 사 발표 자료 종합(2026) — 분류는 발표자 정리
제조사는 직접 만들기보다 스타트업과 제휴: Komatsu–AIM, 히타치–Teleo, HD현대–Gravis
87

무엇을 했나 기업을 접근 방식으로 세 묶음. 제조사는 스타트업과 손잡는 구도: Komatsu–AIM, 히타치–Teleo·Gravis, HD현대–Gravis.

한계 경계가 뚜렷하지 않음. Gravis는 강화학습 정책과 3D 지형 인식을 함께 쓰고, Bedrock은 구조를 공개하지 않음.

확인 상태 분류는 조사자 해석. 개별 사실은 뒤 장 참조.

88E2 · Bedrock Robotics — 운전자 없는 상용 현장 · 영상확인 · 회사 발표
03
필드로봇
AI기술

Bedrock Robotics — 운전자 없는 상용 현장

감독형 자율 1년 뒤 운전석을 비운 굴착기를 상용 현장에
Bedrock Robotics · 실제 현장 자율 굴착영상
미국 · Bedrock Robotics회사 발표 기준
상용
2026.8
무인 굴착기 상용 현장 투입
41억$
기업가치 (2026.10 시리즈 C)
Bedrock Robotics 공식 영상 · Construction Dive(2026.8.19) · TechCrunch(2026.10.26) — 회사 발표 기준, 독립 검증 없음
88

무엇을 했나 기존 굴착기에 센서·연산 키트(Bedrock Operator)를 장착. 20~80톤급, 여러 제조사 기종. 현장 데이터 수만 시간으로 학습한 종단간 모델이라고 밝힘.

어디서(나라·기관) 미국 샌프란시스코, 2024년 설립, Waymo 출신 창업진(CEO Boris Sofman)

수치와 조건 2026.8.17 무인 투입 발표 / 2026.10.26 시리즈 C 6억 달러, 기업가치 41억 달러, 누적 약 10억 달러

한계 사이클 타임·물량당 비용·가동률 등 사람 대비 생산성 수치 미공개. 센서 구성·모델 구조 비공개. 2026.8 기준 현장 장비는 본사에서 키트를 장착한 신규 장비뿐(파트너 보유 장비 개조는 연말 예상).

확인 상태 [확인] 날짜·금액·현장 모두 보도 원문과 일치. [회사발표]

89E2b · Bedrock 일정·안전·한계확인 · 회사 발표
03
필드로봇
AI기술

Bedrock — 2년 만에 무인 현장까지

현장 3곳, 차단벽 없이 사람이 접근하면 자동 정지
2025.7
스텔스 종료, 시드·시리즈 A 8,000만 달러
2025.11
애리조나 Sundt 현장, 감독형 자율로 65,000 입방야드
2026.2
시리즈 B 2억 7,000만 달러
2026.8
운전석에 사람 없는 굴착기 상용 현장 투입
2026.10
시리즈 C 6억 달러, 누적 약 10억 달러
현장: 네바다 수처리 시설(Sundt) · 텍사스 토공(Champion Site Prep) · 120만 입방야드 공사(Zachry)
첫 완전 무인 투입 발표 영상영상
공개하지 않은 것 — 사람 대비 생산성(사이클 타임·비용·가동률), 센서와 모델 구조, 원격 감독 체계
The Robot Report(2026.2.4) · Construction Dive(2026.8.19) · Bricks & Bytes · TechCrunch(2026.10.26) — 회사 발표 기준, 독립 검증 없음
89

무엇을 했나 안전 구조: 작업 구역에 물리적 차단벽 불필요, 사람이나 허가되지 않은 물체가 접근하면 구역이 비워질 때까지 자동 정지, 360도 시야, 승인된 조건에서만 자율, 결함 감지 시 정지. 막히면 원격으로 사람이 개입.

수치와 조건 투자 주도: 시리즈 B CapitalG·Valor Atreides AI Fund, 시리즈 C CapitalG·Emergence Capital. 신규 파트너 Haydon(애리조나).

한계 작업 범위는 초기 토공·절성토·기초 준비. 계획: 덤프트럭·도저·로더로 확대, 야간 운영.

확인 상태 [확인]

90E4 · Gravis Robotics — ETH 연구실에서 현장으로확인 · 회사 발표
03
필드로봇
AI기술

Gravis Robotics — ETH 연구실에서 현장으로

키트 하나로 여러 제조사 장비를 탑승 보조부터 완전 자율까지
Gravis · 소개 영상영상
스위스 · Gravis (2022 ETH 분사)회사 발표 기준
Gravis Rack — Cat, Develon, Hitachi, Volvo 등에 장착
Gravis × Hitachi · Bauma 2025영상
스위스 · Gravis × 일본 히타치건기회사 발표 기준
자율 트렌칭 현장 시연
Gravis Robotics 공식 영상 · The Robot Report(2026.8.17) — 회사 발표 기준, 독립 검증 없음
90

무엇을 했나 Gravis Rack(센서·연산·소프트웨어)을 기존 장비에 장착, 재프로그래밍 없이 여러 제조사 장비 구동. ETH의 강화학습·제어 정책 연구 기반. 기계 텔레메트리·진동·유압 저항을 입력으로 사용(CTO 발언).

어디서(나라·기관) 스위스 취리히, 2022년 ETH 분사

한계 "AI 월드 모델"이라는 표현은 한 보도(The Robot Report)에만 있어 덱에 쓰지 않음. ETH 계열이므로 "ETH 외" 사례로 세지 않음.

확인 상태 [확인]

91E4b · Gravis 일정·실적확인 · 회사 발표
03
필드로봇
AI기술

Gravis — 7개국 배치, 기업가치 10억 달러

탑승 보조 → 캡 밖 지시 → 1명이 여러 대 감독
2025.11
2,300만 달러 (IQ Capital, Zacua, Holcim 참여)
2026.4
HD현대 Real-X × Gravis 스위스 현장 투입
2026.8
시리즈 A 2억 달러(SoftBank), 기업가치 10억 달러
제품 3단계 — Copilot(탑승 보조, 3D 가이드) · Slate(캡 밖에서 굴착 지시) · 완전 자율
영국 Flannery와 정부 지원 800만 달러 과제(굴착기 6대: 트렌칭, 대량 굴착, 트럭 적재) · 맨체스터 공항 현장
스위스 현장 인터뷰 영상영상
7개국
배치 (대수 비공개)
30%
생산성 향상 주장(최대)
The Robot Report(2026.8.17) · TFN(2026.8.18) — 회사 발표 기준, 독립 검증 없음
91

수치와 조건 7개국(다른 보도는 4개 대륙), 장비의 약 70%가 굴착 작업, 고객 Holcim·Taylor Woodrow·HD Hyundai, 직원 약 75명. 시리즈 A는 회사가 건설 로봇 분야 최대 규모라고 주장.

한계 배치 대수 비공개. 30% 향상은 "숙련 수작업의 최고 수준 대비"라는 회사 주장.

확인 상태 [확인]

비고 연구 연결: Heavy Metal Acrobatics(arXiv 2611.18365) 공저에 Gravis 포함.

92E3 · HD현대 Real-X × Gravis — 스위스 현장 투입 · 그림확인(수치 불일치 정리) · 회사 발표
03
필드로봇
AI기술

HD현대 Real-X × Gravis — 스위스 현장 투입

22톤급 무인 굴착기를 실제 토목 현장에
KIBAG 투겐 현장 · Develon DX225LC-7XDevelon 보도자료 사진
한국 HD현대 × 스위스 Gravis회사 발표 기준
국내 제조사
22t
Develon DX225LC-7X
3m
굴착 깊이
생산성 주장: 유인 대비 약 120%
HD현대사이트솔루션 보도자료(2026.4.29) · Develon 유럽 보도자료(CEA) — 회사 발표 기준, 독립 검증 없음
92

무엇을 했나 HD현대의 스마트 굴착기 플랫폼에 Gravis 자율화 기술을 결합한 Real-X. 스위스 KIBAG의 투겐(Tuggen) 현장(옛 채석장 복원)에 투입, 기술 감독자가 감독.

어디서(나라·기관) 한국 HD현대사이트솔루션(HD건설기계·Develon) × 스위스 Gravis

수치와 조건 출처마다 다름 — HD현대 국내 보도자료: 깊이 3 m, 폭 12 m, 길이 1 km 공사를 "수행할 예정", 유인 대비 약 120%. Develon 유럽 보도자료: 길이 300 m, 폭 6 m, 깊이 3 m 트렌치, "최대 30% 향상". 깊이 3 m만 일치.

한계 생산성 수치는 이 현장의 측정값이라는 근거 없음. 27톤은 CONEXPO 2026 시연기(별개 장비)로 스위스 현장은 22톤급. Gravis가 ETH 분사이므로 ETH 외 사례로 세지 않음.

확인 상태 [확인] 톤급 22톤으로 통일. v2의 "1 km 트렌치"는 낮춰 씀.

93I-BUILT · Built Robotics — 굴착에서 태양광 항타로 · 영상확인
03
필드로봇
AI기술

Built Robotics — 굴착에서 태양광 항타로

일반 건설 자율 굴착에서 태양광 파일 항타 로봇으로 방향 전환
Built Robotics · 태양광 자율 항타영상
미국 · Built Robotics실기 · 호주 필바라 시험회사 발표 기준
방향 전환
2.61분
파일 1개당 평균 사이클
1명 3대
감독, 리그당 인력 약 67% 감소
ARENA·Fortescue 필바라 시험 보고서(2026.2.27 발행, 시험 2025.8~10) · Built Robotics 공식 영상
93

무엇을 했나 RPD 35(굴착기 기반 로봇 파일 드라이버), RPS 25(파일 안정화 장비, Cat 320 기반). 장비 임대형 사업. 현재는 굴착 자율화 기업이라기보다 태양광 시공 로봇 기업.

어디서(나라·기관) 미국 샌프란시스코. 시험은 호주 Fortescue Cloudbreak 태양광 발전소(ARENA 지원)

수치와 조건 사이클 2.61분은 회수·위치 설정·항타 포함. 위치·수직도·근입 깊이는 허용 공차 내(수치 미제시). 생산성 이득은 항타 속도보다 물류 단순화와 파일 사전 배치 제거에서 발생. 안전 사고 없음.

한계 단단한 지반 때문에 전 구간 사전 천공(직접 항타 미검증), 충전재 경화 문제로 일부 재작업, 회전 반경 큼, 40°C 이상 미검증, 비용 비교 불가.

확인 상태 [확인] 투자: 누적 1억 1,200만 달러(6,400만 달러는 2022 시리즈 C, Next47의 3,300만 달러는 2019 시리즈 B — 요청서의 "누적 6,400만"을 정정).

94E1 · 말로 지시하는 굴착기 — π0.5 × Actor · 영상일부 확인 · 회사 발표
03
필드로봇
AI기술

말로 지시하는 굴착기 — π0.5 × Actor

범용 로봇 모델을 굴착기 조작 데이터로 미세조정
Actor · 자연어 제어 데모 (2026.3)영상
미국 · Actor × Physical Intelligence회사 발표 기준
VLA 방식
단안 카메라 영상 → 조이스틱 명령
엔코더 없음, 운전원 조작을 그대로 학습
Actor(labs.actor) 블로그·공개 영상 · Physical Intelligence π0.5 — 회사 발표 기준, 독립 검증 없음
94

무엇을 했나 π0.5를 운전원 조작 데이터로 LoRA 미세조정. 120° 단안 카메라만 사용, 운전원 조이스틱을 영상(YOLOv8)으로 읽어 4차원 액션으로 변환.

어디서(나라·기관) 미국(마운틴뷰 추정) Actor, 모델은 Physical Intelligence

한계 전부 회사·창업자 공개 자료. 성능 수치와 실험 조건 미공개, 소형 굴착기 데모 중심.

확인 상태 [회사발표] "약 200개 궤적"은 원문에서 찾지 못함(v2에서 수치 삭제). 위성 통신 원격 추론은 영상 제목(2026.5.25 "I used Starlink…")으로만 확인. 휠로더 상차는 사이트 영상 캡션만 있고 조건 미확인.

95I-AIM · AIM × Komatsu — 시공 계획을 받아 스스로 작업 · 그림확인 · 회사 발표
03
필드로봇
AI기술

AIM × Komatsu — 시공 계획을 받아 스스로 작업

목표 지형을 받으면 시공 방법과 주행 경로를 장비가 결정
AIM 시험장의 자율 굴착기·도저AIM 제공 사진 / GeekWire
미국 AIM × 일본 Komatsu·EARTHBRAIN회사 발표 기준
2026.7.31 제휴
360도 라이다 + 엣지 연산
실시간 3D 지도
미국 현장 가동 중
일본 2027년 도입
Komatsu 보도자료(2026.7.31) · GeekWire(2026) — 회사 발표 기준, 독립 검증 없음
95

무엇을 했나 도저·굴착기 리트로핏. Smart Construction이 만든 시공 계획·목표 지형을 AIM 플랫폼에 통합. 상시 GPS·클라우드 연결에 의존하지 않고 현장에서 판단.

어디서(나라·기관) 미국 워싱턴주 레드먼드 AIM Intelligent Machines(2021 설립) × 일본 Komatsu·EARTHBRAIN

수치와 조건 5,000만 달러 조달(Khosla, General Catalyst, Human Capital), 미 공군 490만 달러 계약(활주로 복구·기지 건설), 직원 약 80명

한계 학습 방식·성능 수치 비공개. Komatsu 보도자료 사진은 예시 이미지.

확인 상태 [확인]

비고 ETH·미국 스타트업 외 축. 계획 구간의 "산업계 계획 사례"와 연결.

96I-DEEPX · DeepX — 케이슨 굴착기 3대 동시 자동운전 · 영상확인(표현 조정) · 회사 발표
03
필드로봇
AI기술

DeepX — 케이슨 굴착기 3대 동시 자동운전

작업 공간을 실시간 3D로 만들고 여러 대를 함께 제어
DeepX · 백호 굴착·적재 자동화 데모영상
일본 · DeepX × 오리엔탈시라이시실기 · 실제 케이슨 현장회사 발표 기준
다중 장비
3대
케이슨 굴착기 동시
6시간
토사 운반 연속 자동운전
digital-construction.jp(2026.6.10) · DeepX 공식 영상 — 회사 발표 기준, 독립 검증 없음
96

무엇을 했나 라이다로 작업 공간을 실시간 디지털 트윈으로 만들고 지반 형상·높이를 자동 측정, 다중 장비 제어. 장애물 회피 경로 계획, 충돌 위험 시 자동 정지, 자동·수동 전환.

어디서(나라·기관) 일본 도쿄 DeepX(도쿄대 마쓰오 연구실 출신, 2016 설립) × 오리엔탈시라이시의 뉴매틱 케이슨 현장

수치와 조건 사람 감시 하에 3대로 "6시간 남짓" 토사 운반 연속 자동운전, 사고 없음(하루 실시)

한계 굴착 전체가 아니라 토사 운반 작업. 케이슨 내부(밀폐·무인 공간)라는 특수 조건, 감시원 배치. 영상은 별개의 백호 데모(2025.8 게시).

확인 상태 [확인] 요청서의 "6시간 이상 연속 자동운전(굴착)"을 낮춰 씀. 2025.6 "굴착~상차 완전 자율 연속 시연"은 출처 미확인.

97I-REMOTE · TerraFirma · Teleo · Pronto확인 · 회사 발표
03
필드로봇
AI기술

원격 감독으로 먼저 현장에

완전 자율을 기다리지 않고 1명이 여러 대를 운용
TerraFirma · 현장 데모영상
미국 · TerraFirma회사 발표 기준
직접 시공하는 건설사 — 시리즈 A 1.15억 달러(2026.7)
Teleo · 고객 현장영상
미국 · Teleo × 히타치건기회사 발표 기준
약 800 km 원격에서 휠로더·덤프 운용(2026.3)
Pronto · 자율 운반영상
미국 · Pronto (Atoms 인수)회사 발표 기준
채석장 자율 운반 200만 톤(굴착 아님)
The Robot Report(2026.7.16) · 히타치건기 보도자료(2026.3.2) · Bricks & Bytes(2026.4.7) — 회사 발표 기준, 독립 검증 없음
97

무엇을 했나 TerraFirma: 2024 설립(SpaceX 출신), 굴착기·도저·로더·롤러·스키드 스티어를 리트로핏한 반자율 장비를 원격 관제실에서 운용, 텍사스 부지 조성 공사 수행, 1인 효율 최대 300% 주장. Teleo: 감독형 자율, CONEXPO 2026에서 히타치 ZW310 휠로더와 굴절식 덤프를 500마일 밖에서 1명이 운용, 2024 히타치건기 챌린지 우승. Pronto: 카메라 중심 자율 운반 트럭, 2026.4 Atoms가 인수(Atoms Mining), Heidelberg Materials 채석장에서 8개월 미만에 200만 톤.

한계 TerraFirma CTO는 "완전 자동화가 목표가 아니다"라고 밝힘. Teleo는 주행만 자율, 상차·하차는 사람이 원격조종. Teleo의 "1명이 덤프 3대"는 2023~2024년 사례.

확인 상태 [확인] SafeAI는 2024년 Pronto에 인수됨(요청서의 "소식 없음" 정정).

98I-BX · BuilderX — 광산 굴착기 원격 운영 · 영상일부 확인 · 회사 발표
03
필드로봇
AI기술

BuilderX — 광산 굴착기 원격 운영

"광산 자동화의 병목은 이제 운반이 아니라 굴착"
BuilderX · 광산 원격 운영영상
중국 · BuilderX (베이징)회사 발표 기준
원격 → 자율
6대
바이윈어보 철광산 상시 원격 운용
수동 → 원격 → 보조 굴착 → 완전 자율
International Mining(2026.6.9) · BuilderX 공식 영상 — 회사 발표 기준, 독립 검증 없음
98

무엇을 했나 대형 광산 굴착기·전기 로프 셔블(TYHI WK-10·WK-20, XCMG XE3000)을 5G 원격조종으로 전환해 운영 데이터를 축적. AI 보조: 분진 투시, 충돌 방지, 버킷 투스 감시.

어디서(나라·기관) 중국 베이징, 2018 설립, 창업자 Shaolong Sui

수치와 조건 창업자 발언(2026.6): 버킷마다 재료 상태·굴착 각도·궤적·상차 전략을 새로 결정해야 해서 굴착이 병목

한계 현재는 원격조종 + AI 보조 단계. 창업자 스스로 지금은 원격 운영이 더 중요하다고 주장.

확인 상태 [일부 확인] "120~300톤급", "VLA로 가는 중", 상하이교통대 캡스톤 후원은 출처 미확인 — 장에는 넣지 않음.

99M0 · 제조사 요약표확인 · 회사 발표
03
필드로봇
AI기술

제조사 동향 한눈에

굴착기는 아직 운전 보조·원격·제휴 단계, 자율은 운반 트럭이 먼저
제조사2026년 동향굴착기 자율 수준
미국 CaterpillarCES 기조연설에서 건설용 자율 장비 5종 사전 공개, 장비 탑재 AI 어시스턴트사전 공개(출시 일정 없음)
일본 KomatsuAIM과 제휴(7.31), 광산 자율 덤프 1,000대째 가동 투입(4.21)제휴로 확보
일본 히타치건기피지컬 AI 과제 착수(10월), Teleo·Gravis와 협력연구 착수
한국 HD현대Real-X × Gravis 스위스 현장, 디지털 트윈 국책 과제 수주현장 투입(제휴)
일본 Kobelco히로시마대 공동연구(협조 동작 계획, 군집 계획), 원격 K-DIVE연구·원격
스웨덴 Volvo CE · 미국 DeereDig Assist, SmartGrade, 장애물 감지운전 보조
중국 Zoomlionbauma CHINA에서 광산 협조 시연 예고, 공통 임바디드 OS전시 시연(수치 없음)
중국 XCMG · SANY · LiuGong무인 전기 광산 트럭 100대, 5G 원격 굴착기, 무인 전기 로더원격조종
각 사 보도자료(2026) — 회사 발표 기준, 독립 검증 없음
99

무엇을 했나 제조사 10곳을 한 표로. 굴착기 자율 굴착의 성능 수치를 낸 제조사는 없음.

수치와 조건 Komatsu 1,000대째는 930E-5AT, Nevada Gold Mines(인도가 아니라 가동 투입). XCMG 100대는 2025.5 화넝 이민 탄광. Kobelco·히로시마대 연구는 2024년 학회 발표(ETFA·SWARM). HD현대 CONEXPO는 "23~40톤급 차세대 신모델 9종"(요청서의 "AI 굴착기 9종" 정정).

확인 상태 [확인] Volvo·Deere는 제품 존재만 확인.

100M-CAT · Caterpillar — 광산 자율 30년을 건설로 · 영상확인 · 회사 발표
03
필드로봇
AI기술

Caterpillar — 광산 자율 30년을 건설로

건설용 자율 장비 5종과 장비 탑재 AI 어시스턴트 사전 공개
Caterpillar · CES 2026 발표영상
미국 · Caterpillar회사 발표 기준
CES 2026.1.7
5종
굴착기·도저·휠로더·운반트럭·컴팩터
110억 t
광산 자율 누적 운반
EquipmentWorld(Caterpillar 발표 영상) · NVIDIA 블로그 · TechCrunch — 회사 발표 기준, 독립 검증 없음
100

무엇을 했나 30년 광산 자율 프로그램을 건설로 확장. Cat AI Assistant(음성·텍스트·영상), NVIDIA Jetson Thor 기반 장비 탑재 AI(데모는 Cat 306 CR 미니 굴착기, 클라우드 없이 구동).

한계 제품 출시가 아니라 사전 공개. 출시 일정·성능 수치 없음. 캡 내 기능은 시범 단계.

확인 상태 [확인] Helios 연결 자산 약 150만 대는 기조연설 요약 한 곳에서만 확인되어 장에서 제외.

101M-JP · Komatsu · 히타치건기 · Kobelco확인 · 회사 발표
03
필드로봇
AI기술

일본 제조사 — 제휴와 국가 과제

스타트업과 손잡고, 운전원 데이터 학습을 국가 과제로
Komatsu · 자율 운반 트럭영상
일본 · Komatsu회사 발표 기준
AIM 제휴, 자율 덤프 1,000대째 가동
히타치건기 · 원격·자율 굴착기영상
일본 · 히타치건기회사 발표 기준
피지컬 AI 과제 착수, Teleo·Gravis 협력
Kobelco · 자동운전 쇼벨영상
일본 · Kobelco × 히로시마대회사 발표 기준
협조 동작·군집 계획 공동연구
Komatsu(2026.4.21, 7.31) · 히타치건기(2026.9.9) · 히로시마대 코벨코 공창연구소 — 회사 발표 기준, 독립 검증 없음
101

무엇을 했나 Komatsu: 광산은 FrontRunner(누적 115억 톤 이상), 건설은 Smart Construction + AIM. 히타치건기: 2026.10부터 Jizai·NAIST와 피지컬 AI 연구(GENIAC, 경산성·NEDO), 2027.4 사명을 LANDCROS로 변경. Kobelco: 히로시마대와 "데이터 기반 굴착기 협조 동작 계획"(ETFA 2024), "건설기계 군집의 강화학습 커버리지 계획"(SWARM 2024).

한계 Kobelco 연구는 2024년 학회 발표이며 영상은 회사의 자동운전 영상(연구 영상 아님). 히타치 과제는 착수 단계로 결과물 없음.

확인 상태 [확인]

102M-HD · HD현대 CONEXPO·국책 과제일부 확인
03
필드로봇
AI기술

HD현대 — 신모델 9종과 디지털 트윈 과제

Real-X 현장 투입에 이어 고정밀 시뮬레이션 플랫폼 국책 과제
CONEXPO 2026 · Real-X 무인 시연기영상
한국 HD현대 × 스위스 Gravis회사 발표 기준
CONEXPO 2026 — 차세대 신모델에 Real-X 탑재 시연
DEVELON · CONEXPO 2026 시연영상
한국 · HD현대(Develon)회사 발표 기준
23~40톤급 신모델 9종 공개(현대 5, 디벨론 4)
HD현대 보도자료(2026.3, 4.29) · EquipmentWorld — 회사 발표 기준, 독립 검증 없음
102

무엇을 했나 CONEXPO 2026에서 23~40톤급 차세대 신모델 굴착기 9종 공개, Real-X를 탑재해 Gravis와 시연. 산업통상부 "인공지능 무인 자율 굴착기 개발을 위한 고정밀 시뮬레이션 기반 디지털 트윈 플랫폼 개발" 과제에 HD현대사이트솔루션 선정.

한계 왼쪽 영상의 시연기는 매체가 "27톤"으로 부른 장비로 스위스 현장 장비(22톤급)와 별개.

확인 상태 [일부 확인] 국책 과제의 세부(유압·다물체·흙 상호작용 재현)와 발표 시점(2026.10)은 검색 요약으로만 확인, 원문 미열람.

103M-ZL1 · Zoomlion — bauma CHINA 2026 예고 · 그림사전 자료 기준 · 전시 후 갱신 필요
03
필드로봇
AI기술

Zoomlion — bauma CHINA 2026 예고

노천광산 모사 환경에서 굴착·상차·운반 협조 시연 예고
사전 보도자료 대표 이미지 (2026.11.13)Zoomlion / PR Newswire
중국 · Zoomlion (창사)회사 발표 기준
전시 전 · 사전 자료 기준
11.24–27
bauma CHINA 2026 (상하이)
AI 에이전트가 굴착과 트럭 움직임을 조율
— 원문 표현은 "잠재적 응용"
Zoomlion 사전 보도자료(PR Newswire, 2026.11.13) — 전시 후 실제 시연 내용은 미확인
103

무엇을 했나 예고 내용: 노천광산 모사 시연(굴착·상하차·운반 협조), ZT118EV 무인 광산 트럭(자율 운행용), ZE4000GEL 400톤급 전기 굴착기, 운전실 없는 소형 굴착기와 스키드 로더의 "유럽 재개발 모사 시나리오", ZE650G(원격조종용), Z01 휴머노이드와 Zbrain.

어디서(나라·기관) 중국 창사 Zoomlion. 본 전시 11.24~27(신국제박람중심), Z01·Zbrain은 별도 전시장 11.23~26

한계 굴착기가 자율로 굴착한다고 명시하지 않음. ZE4000GEL은 "개막 때 붐 들어 올리기 시연"으로만 명시, 어느 기종이 광산 시연에 나오는지 미기재. 2026.5 창사 박람회 시연에서 굴착기는 원격조종, 자율은 트럭.

확인 상태 [일부 확인] 요청서의 "ZE4000GEL과 ZT118EV가 전 과정 무인 작업"을 낮춰 씀. 발표일(11.23) 이후 실제 시연 영상·기사로 갱신 필요.

104M-ZL2 · Zoomlion 플랫폼일부 확인 · 회사 발표
03
필드로봇
AI기술

Zoomlion — 하나의 두뇌로 여러 기계

건설·광산 기계부터 휴머노이드까지 같은 임바디드 OS
Zoomlion · 무인 광산 트럭영상
중국 · Zoomlion회사 발표 기준
무인 광산 트럭 약 100대 운용
Zoomlion · ZE4000G 초대형 굴착기영상
중국 · Zoomlion회사 발표 기준
400톤급 굴착기 — 자율 굴착 수치 없음
Zoomlion · Z01 휴머노이드영상
중국 · Zoomlion회사 발표 기준
RobotOps — 수집·학습·시뮬레이션·배포 폐루프
Zoomlion 공식 영상 · 과기일보(2026.8.27) · 하노버 산업박람회 발표(2026.4) — 회사 발표 기준, 독립 검증 없음
104

무엇을 했나 RobotOps(자체 임바디드 OS, 2026.4 하노버 공개): 데이터·소프트웨어·에이전트 구조, 모방학습·강화학습·작업 편성 모듈. 휴머노이드·산업용 로봇·건설기계·자율주행에 적용 가능하다고 설명.

수치와 조건 산업 인터넷 플랫폼(중과윈구) 연결 장비 180여만 대, 120개 워크스테이션의 임바디드 훈련장, 휴머노이드 8종 개발

한계 플랫폼과 데이터 인프라는 실체가 있고 광산 트럭 자율주행은 상용 수준. 굴착기 자율 굴착의 성능 수치나 논문은 없음.

확인 상태 [일부 확인] "일뇌다형, 다기협동" 문구와 ZBrain 자연어 작업 설명은 원문 미확인 — 장에서 제외. 훈련장은 100개가 아니라 120개.

비고 기계연의 "공통 인지 모델로 이기종 장비 자율화" 구상과 같은 방향.

105M-CN · XCMG · SANY · LiuGong확인 · 회사 발표
03
필드로봇
AI기술

중국 제조사 — 트럭은 무인, 굴착기는 원격

전동화와 함께 운반부터 무인화, 굴착기는 5G 원격조종
XCMG · 무인 전기 광산 트럭 100대영상
중국 · XCMG회사 발표 기준
무인 전기 광산 트럭 100대 (2025.5)
SANY · 무인 롤러 차량군영상
중국 · SANY회사 발표 기준
무인 포장·다짐, 5G 원격 굴착기 SY550HD
LiuGong · 전기 자율 로더영상
중국 · LiuGong회사 발표 기준
무인 전기 로더 870HE·856HE
XCMG·SANY·LiuGong 공식 영상과 보도자료 — 회사 발표 기준, 독립 검증 없음
105

무엇을 했나 XCMG: 화넝 이민 노천 탄광에 배터리 교환식 무인 전기 광산 트럭 100대(2025.5), 무인 굴착기·천공기·로더로 확대 계획. SANY: 무인 포장·다짐 차량군(50개 이상 프로젝트, 2025.8 기준), 2026.5 전기 굴착기 1,000번째 출고와 5G 원격 굴착기 SY550HD. LiuGong: 광산용 무인 전기 로더 870HE(2026.6), 127톤급 무인 전기 광산 트럭 DW165CE(2026.5.31).

한계 세 회사 모두 굴착기 자율 굴착 발표 없음. 수치는 회사 발표.

확인 상태 [확인] XCMG 100대는 2026년이 아니라 2025.5(요청서 정정).

ETH 밖의 연구 지형
106G0 · 나라별 지도
03
필드로봇
AI기술

ETH 밖의 연구 지형 — 나라별 성격

ETH가 여전히 축이지만, 2026년에는 여러 나라의 연구가 보임
중국수가 가장 많음
광산·대형 장비·휠로더, 궤적 계획 전통
2026년: 의미 지도, 목표 선정, 월드모델
홍콩과기대(광저우) · 둥베이대·칭화대·랴오닝대 · 상하이교통대 · 톈진대 · 지린대 · 저장대 · 다롄이공대
일본국가 플랫폼 + 제조사
토목연구소(PWRI)를 축으로 실기 검증까지
LLM 행동트리, 입자 시뮬레이션, 피지컬 AI 과제
규슈대·쓰쿠바대·PWRI · NAIST · 히타치건기 · DeepX · TIER IV · 히로시마대·Kobelco
한국제조사–대학 연계
LLM·강화학습 계층 계획(시뮬레이션)
30톤급 실기 제어는 HD현대와 공동
아주대·고려대·KIMM · 연세대 · 한양대 · 서울대 · KAIST · 인제대·경남대 · HD현대
북유럽휠로더, 물리 시뮬레이션
AGX Dynamics 기반 월드모델과 행동트리
굴착 신호로 재료 추정
스웨덴 우메오대·Algoryx · 외레브로대 · KTH · 핀란드 탐페레대
독일·기타데이터와 측위
공개 데이터셋, 기업의 VLA
현장 측위, 전기 도저 계획
독일 Fraunhofer IOSB·KIT · sensmore · 튀르키예 카라뷔크대·이뇌뉘대 · 호주 시드니대 · 인도 FloMobility
미주대학보다 기업
미국은 Bedrock, AIM, Actor, TerraFirma
대학은 시뮬레이터와 토양 추정, 칠레는 광업
미국 UC Davis · UIUC · 버팔로대 · 캐나다 Ontario Tech · 퀸스대 · 칠레 칠레대
2024–2026 논문과 발표 종합 — 중국어·일본어 학술지는 체계적으로 검색하지 않음
106

무엇을 했나 최근 3년의 ETH 외 연구를 나라별로 묶은 1차 조사. 뒤의 나라별 장과 표에서 개별 연구 제시.

한계 중국어·일본어 학술지는 검색하지 않았고 학술지 사이트 접속이 막혀 일부는 초록·메타데이터로만 확인. HD현대 Real-X × Gravis와 스키드 로더 연구(Heavy Metal Acrobatics)는 ETH 계열이라 ETH 외로 세지 않음.

확인 상태 나라별 성격 요약은 조사자 해석.

107G1 · 2026 ETH 외 연구 — 중국확인 · 일부 확인
03
필드로봇
AI기술

2026년 ETH 외 연구 ① 중국

인지부터 계획·제어까지 2026년 논문이 가장 많은 나라
기관연구분야검증확인
홍콩과기대(광저우)·남방과기대·CapstoneExcavaTwin — 학습 없는 의미 고도맵인지소형 실기확인
랴오닝대·둥베이대·칭화대(+KTH)목표 선정에서 굴착까지 / 영상 유도 목표 조건부 제어계획축소형 / 시뮬확인
둥베이대·칭화대·랴오닝대운전석 시점 관절 상태 추론인지시뮬확인
Tsing-AI·상하이교통대·상하이해양대휠로더 월드모델계획시뮬(+실기 시연)확인
베이징우전대·YaowuSY750H 대리 모델제어실기확인
톈진대장면 그래프 도저 경로 계획계획현장 시나리오확인
지린대·시난교통대전문가 시연 확률 모델 궤적 계획(GMMP)계획시뮬일부 확인
상하이응용기술대라이다·시각·관성 융합 측위인지현장 포함일부 확인
전자과기대 등DeSnow-GNN 악천후 디노이징인지벤치마크확인
arXiv 2609.34719 · 2609.29750 · 2608.21778 · 2611.13690 · 2609.15382 · 2607.15656 · AiC 181:106617 · AiC 182:106736 · MST 37(22) · AEI 72
107

무엇을 했나 2026년 게재·공개된 중국 연구. 2024~2025년에는 광산 셔블 궤적(다롄이공대), 참호 궤적(지린대), 시간 최적 궤적(타이위안공업학원), EfficientTrack(저장대·NetEase), 외란 관측기 제어(광시대·저장대·LiuGong), 동적 표적 추적(화교대), LiDARDustX(후난대), 환경 인식 리뷰(허난과기대)가 있음.

한계 Baidu는 AES(2021) 이후 ExACT(2024 워크숍), TNS·CWT(2022) 정도로 2022년 이후 발표가 줄어듦. 다롄이공대의 "WK-35 셔블 노천광산 실험" 논문은 후보(Automation in Construction 174권)만 찾고 문구는 확인하지 못함.

확인 상태 [확인] 대부분 / [일부 확인] GMMP 수치, 상하이 연구 소속

108G2 · 2026 ETH 외 연구 — 일본·한국·그 밖확인 · 일부 확인
03
필드로봇
AI기술

2026년 ETH 외 연구 ② 일본·한국·그 밖

일본은 실기 검증, 한국은 시뮬레이션 계획, 그 밖은 주제별 단발
나라기관연구분야검증확인
일본규슈대·PWRI·쓰쿠바대LLM 행동트리 다기종 협조계획시뮬 + 실기 1건확인
일본NAIST·PWRI입자 시뮬레이션 매설 장애물 제거제어12 t 실기확인
일본히타치건기·Jizai·NAIST피지컬 AI 국가 과제종단간착수확인
일본TIER IVAutoware 건설판 격차 분석인지덤프트럭확인
한국아주대·고려대(·KIMM)CLEF, APEX계획시뮬일부 확인
한국연세대비전-언어 조건부 굴착 에이전트계획시뮬일부 확인
한국한양대(·Texas A&M)강화학습 3D 시공 시뮬레이션 / 언어 기반 주행 가능성계획·인지시뮬·벤치마크확인
스웨덴·캐나다외레브로대·퀸스대Digging for Data인지LHD 실기확인
핀란드탐페레대모델 없이 배우는 바위 포획계획시뮬확인
칠레칠레대68분 데이터 유압 해머제어실기확인
튀르키예이뇌뉘대 / 카라뷔크대전기 도저 정지 기동 / EKF 측위계획·인지시뮬 / 실기확인
독일sensmore(기업)sensVLA 휠로더종단간오프라인확인
호주 / 인도시드니대 / FloMobility이벤트 카메라 / 건설 현장 코퍼스인지벤치마크 / 현장확인
arXiv 2602.01041 · 2606.09183 · 2610.04187 · AiC 182·192 · AEI 77 · arXiv 2602.11082 · 2510.04168 · 2601.07813 · JFR 43(4) · Sensors 26(20)
108

무엇을 했나 요청서 7.1절 표를 원문 확인 결과로 갱신. 소속 미확인이던 항목 대부분 확정.

확인 상태 [확인] / [일부 확인] CLEF·APEX·연세대 수치는 검색 요약 기준. 상하이교통대 SmolVLA 캡스톤은 원문을 찾지 못해 표에서 제외.

109G3 · 우메오대·Algoryx확인
03
필드로봇
AI기술

북유럽 — 휠로더와 물리 시뮬레이션

기계연 시뮬레이터와 같은 AGX Dynamics 기반 연구
우메오대 · 휠로더 월드 모델영상
스웨덴 우메오대·Algoryx · 일본 Komatsu시뮬레이션
적재 한 사이클의 결과 예측 → 15회 앞을 내다보는 탐색
달 건설 시뮬레이션 2025
스웨덴 · Algoryx·우메오대시뮬레이션
굴착기와 덤퍼를 행동트리로 — 달 건설 시나리오
Aoshima et al., arXiv 2309.12016 · 2501.06583 · Linde et al., arXiv 2505.22091 (그림은 후속 arXiv 2509.12367)
109

무엇을 했나 ① 휠로더 적재 1사이클의 더미 변화·적재량·시간·일을 예측하는 월드 모델, 후속 논문에서 트리 탐색으로 적재 순서 최적화. ② 물리 기반 다물체·변형 지형 시뮬레이션 + 행동트리 + ROS 2로 굴착기·크롤러 덤프의 달 건설 시나리오 2종.

어디서(나라·기관) ① 스웨덴 우메오대·Algoryx, 일본 Komatsu(Aoshima 겸직) ② Algoryx 중심(Komatsu 저자 없음)

수치와 조건 ① 적재 성능 예측 정확도 95%(1.2 ms), 더미 상태 97%(4.5 ms), 무작위 적재 1만 회 이상 시뮬레이션, Komatsu WA320-7 모델

한계 둘 다 시뮬레이션. 핀란드 탐페레대의 휠로더 목표 조건부 액터-크리틱 MPC(ICRA 2025)와 바위 포획도 같은 권역.

확인 상태 [확인] 달 건설 논문 번호 확정(2505.22091).

비고 AGX Dynamics를 쓰는 그룹이라 발표자의 시뮬레이터와 직접 닿음.

110G4 · 미주 대학 연구확인
03
필드로봇
AI기술

미주 — 대학은 시뮬레이터와 토양, 칠레는 광업

미국은 기업이 앞서고, 대학은 기반 도구
미국 · 버팔로대·MOOG시뮬레이션
TERA — 인식까지 포함한 굴착 시뮬레이터
Unity + AGX 기반, 굴착기와 환경 구성 가능 (2024.12)
미국 · UC Davis시뮬레이션
힘 측정으로 토양 파라미터 보정
직전 사이클의 힘으로 다음 사이클 굴착력 예측, 오차 10~15%
캐나다 · Ontario Tech / 퀸스대실기
분진 제거 필터, 굴착 신호 재료 추정
KIMM 공동 분진 연구, 외레브로대 공동 Digging for Data
칠레 · 칠레대 AMTC실기
광업용 분진 필터, 유압 해머, 온라인 학습
UCHILE-Dust, 68분 데이터 해머, ETH와 공동 연구
Aluckal et al., arXiv 2501.01430 · arXiv 2506.22579 · IEEE Access 12 · arXiv 2602.11082 · Sensors 25(20) · arXiv 2601.07813 · 2609.31025
110

무엇을 했나 미주의 대학 연구 묶음. 미국의 중심은 기업(Bedrock, AIM, Actor, TerraFirma) — 기업 동향 구간 참조.

확인 상태 [확인]

111G5 · 2025 리뷰 (157편)일부 확인
03
필드로봇
AI기술

참고 — 2015~2025 문헌 리뷰가 본 지형

10년간 157편, 2024년에 정점
홍콩 시티대 · 한국 국민대리뷰
157편
2015~2025.3 분석 논문
30편
2024년 (연간 최다)
Scopus 597건에서 선별
주도 국가
중국, 한국, 미국 (초록의 나열 순서)
지배적 주제
인식 기반 장비 자율화, 통합 제어, 다중 센서 안전, 플릿 수준 협업의 첫 시연
Liu & Kim, “Autonomous Earthwork Machinery for Urban Construction”, Buildings 15(14):2570 (2025)
111

무엇을 했나 굴착기·도저·로더 자율화, 통합 제어, 안전을 다룬 체계적 리뷰.

어디서(나라·기관) 홍콩 시티대(Zeru Liu 제1)·한국 국민대(김정인 교신)

한계 본문은 열지 못해 국가별 편수 표는 미확인.

확인 상태 [일부 확인] 요청서의 "한국 2위"라는 명시 문구는 초록에 없고 "led by China, Korea, and the USA"만 확인 — 장에서는 나열 순서로만 표기. 홍콩 시티대 단독이 아니라 국민대와 공동.

요약과 빈 자리
112E6 · 최고 수준 요약 (수정판)
03
필드로봇
AI기술

지금의 최고 수준 한눈에

연구는 숙련자에 근접, 상용은 무인 현장 투입 단계
분야지금의 최고 수준대표 사례
인지학습 없이 카메라로 만드는 의미 고도맵, 공개 데이터셋홍콩과기대(광저우) 2026 · GOOSE-Ex
현장 계획스킬 순서와 동기화 조건의 자동 생성 (시뮬레이션 93%)규슈대·PWRI 2026
굴착점·계층 계획학습된 굴착점 선택(축소형 실기), LLM 분해 + 물리 검증(시뮬)둥베이대·칭화대 2026 · 아주대·고려대 2026
굴착·조형42 m 제방 45분, 201회 무개입ETH·Hexagon 2026
제어 정밀도정지 작업 RMSE 1.8 cm (상용 4.7 cm)ETH·Hexagon 2026
장애물·바위12 t 실기 매설 장애물 제거 / 바위 70% (숙련자 83%)NAIST·PWRI 2026 · ETH 2025
사전학습 정책다중 과제 사전학습 → 실기 cm 수준ETH ExT 2025
종단간 상용운전석을 비운 굴착기의 상용 현장 투입Bedrock 2026.8 · HD현대 × Gravis
상용 수치는 회사 발표 기준 · 학술 수치는 각 논문 기준(조건은 해당 장 노트)
112

무엇을 했나 기술현황 구간의 마무리. v2 요약표 수정판.

확인 상태 각 행의 확인 상태는 해당 장 참조.

비고 v2 대비 변경: ① "언어 지시 → 다기종 행동트리, 성공률 93%"를 "스킬 순서와 동기화 조건의 자동 생성(시뮬레이션 93%)"으로 낮춤 ② 대표 사례에 ETH 외 기관을 넣어 6행 중 4행이 ETH이던 편중 완화 ③ 제어 정밀도 행 추가 ④ "22 t 장비 1 km 트렌치"는 출처 간 수치가 달라 삭제.

113V0 · 빈 자리: 현장 상태 기반 다중 장비 상위 계획
03
필드로봇
AI기술

아직 비어 있는 자리

현장 상태를 보고 여러 장비를 사람처럼 상위에서 계획하는 연구
일본 LLM 행동트리
지시문과 스킬 목록만 입력 — 현장은 보지 않음
현장 관측 없음
한국 CLEF · APEX
상위 계획을 학습하지만 굴착기 한 대, 시뮬레이션
단일 장비
굴착기용 VLM 미세조정
사람·장애물 검출까지, 계획 에이전트는 가능성 언급
인지 단계
Sim2Schedule (캐나다)
시뮬레이터가 세계 상태를 들고 LLM이 결정 — 구조는 가깝지만 대상이 광산 채굴 일정
장비가 아니라 일정
산업계 시연
Zoomlion 광산 협조 시연 예고, DeepX 3대 동시 운용, Komatsu × AIM
수치·논문 없음
arXiv 2602.01041 · AiC 182·192 · Frontiers in AI 2025 · arXiv 2606.10286 · 각 사 발표
학계 논문은 거의 없고 산업계가 먼저 시연 → 기계연 연구가 겨누는 자리
113

무엇을 했나 "현장 상황을 보고 굴착기·덤프트럭 여러 대를 사람처럼 상위에서 계획"하는 연구는 학계에 거의 없고, 산업계가 시연으로 먼저 움직임.

어디서(나라·기관) Sim2Schedule — 캐나다 Lakehead대·Memorial대(arXiv 2606.10286): LLM이 의사결정 에이전트, 지반공학적 선후관계·채굴-처리 결합·용량 제약을 담은 시뮬레이터가 매 단계 안내, 제로샷으로 노천광산 일정 수립, 최적해 대비 94~99% 회수.

확인 상태 [확인] Sim2Schedule 소속 확정. 빈 자리라는 판단은 조사 범위(영어 논문 중심) 안에서의 결론.

비고 이 장을 요약 뒤에 두고 기계연 연구로 연결. 산업 기사(2026.7)의 "다중 장비 협조와 종단간 자율 굴착은 여전히 프런티어"라는 평가는 원문 사이트 접속 실패로 재확인하지 못함.

기계연 연구 (건설연 33–51)
114기존 33 · 오프로드 자율주행 환경인식 기술 · 영상 2개
115기존 34 · 협업 크레인 거더 자동운반 · 영상 4개
116기존 35 · 굴착기·휠로더 원격제어 retrofit
117기존 36 · 원격제어 굴착기 시연 · 영상 1개
118기존 37 · 과수 예찰 자율 농업기계 · 영상 1개
119기존 38 · 과수 예찰 주행·자세 시험 · 영상 2개
120기존 39 · UAV·UGV 연동 시험 · 영상 1개
121기존 40 · 숙련자 데이터 학습 파이프라인
122기존 41 · MC 굴착기 센서 구성
123기존 42 · 2D 그리드 작업계획 강화학습
124기존 43 · 가상환경 자율작업 시스템 구조
125기존 44 · 가상환경 자율작업 1사이클 · 영상 1개
126기존 45 · 토공 자율작업 가상환경 시뮬레이터 구축 · 영상 2개
127기존 46 · 관로파기 현장 실증과 관제 UI · 영상 1개
128기존 47 · 강화학습 실기 전이 · 영상 3개
129기존 48 · 필드 지형 강화학습 · 영상 7개
130기존 49 · 선택기 기반 정책 전환 · 영상 2개
131기존 50 · 18. 필드로봇 피지컬 AI
132기존 51 · 필드로봇 AI, 어떻게 적용할 것인가
부록
133A1 · 미확인 항목 목록
부록
확인 상태
출처

부록 ① 원문을 확인하지 못한 항목

덱에 넣지 않았거나 "출처 미확인"으로 표시한 것
항목상태처리
상하이교통대 SmolVLA 굴착기 학부 캡스톤 (BuilderX 후원)원문 미발견장에서 제외, 종단간 흐름 장 노트에만 기록
"임바디드 AI 코어 탑재 굴착기, 2026년 양산 원년"부품 업체 블로그사실로 쓰지 않음
Actor "약 200개 조작 궤적"원문에서 수치 미발견v2의 수치 삭제
BuilderX "120~300톤급", "VLA로 가는 중"출처 미발견장에서 제외(확인된 6대 원격 운용만)
DeepX 2025.6 "굴착~상차 완전 자율 연속 시연"날짜·표현 출처 없음제외(2026.6 케이슨 현장만)
Zoomlion "일뇌다형, 다기협동", ZBrain 자연어 작업 설명원문 문구 미발견제외. 전시(11.24~27) 후 갱신 필요
다롄이공대 "WK-35 셔블 노천광산 실험"후보 논문만 확인중국 표 노트에만 기록
토양 추정 "3~8회 → 한 번 긁고 추정"원문에 없음제외
리뷰의 "한국 2위"초록은 나열 순서뿐"중국, 한국, 미국" 순서로만 표기
TravPro(2609.23673) 저자 소속원문에 표기 없음"소속 미확인"으로 표기
CLEF·APEX·연세대 논문의 수치학술지 사이트 차단, 검색 요약으로 확인수치 사용, 노트에 "일부 확인" 표시
HD현대 디지털 트윈 국책 과제 세부검색 요약만과제명만 사용
원문 확인 기록: research/v3_verify_perception.json · v3_verify_planning_control.json · v3_verify_industry.json
133
발표판(B)에는 이 표의 항목을 넣지 않음.
134A2 · 정정 목록 1
부록
확인 상태
출처

부록 ② 요청서·v2 대비 바로잡은 것 (1/2)

원문 대조에서 수치나 조건이 달랐던 항목
항목이전 서술원문 확인 결과
이벤트 카메라 AP21.3 → 33.3서로 다른 집합. 저조도 21.3 → 27.8, 전체 27.1 → 33.3. 건설 현장 데이터 아님
LLM 행동트리 93%언어 지시 → 다기종 계획 성공률사람 수정 1회 허용 조건의 실행 성공률. 현장 관측 입력 없음
"일곱 가지 의미 행동 92.4%"Automation in Construction, 한양대 추정연세대, Advanced Engineering Informatics 77권
CLEF / APEX 기관고려대 / 아주대아주대·고려대 / 아주대·고려대·한국기계연구원
목표 선정에서 굴착까지랴오닝대·둥베이대·칭화대+ 스웨덴 KTH
휠로더 월드모델 17.1%범위 표기 없음시뮬레이션 수치. 실기는 실행 가능성 시연
ETH 정지 제어ETH, 1.8 대 4.7 cmETH·Hexagon, RSS 2026. CASE250 한 대의 비교
온라인 모델 기반 강화학습ETHETH·칠레대 공동, arXiv 2609.31025
Holistic Fusion이중 GNSS로 드리프트 억제GNSS 음영 + 라이다 퇴화 구간을 융합으로 통과. 범용 프레임워크
토양 추정 2편휠로더 / 도저둘 다 시뮬레이션. 도저가 아니라 컴팩트 트랙 로더
운전석 시점 관절 추론카메라만으로조작 이력도 입력. 폐루프 검증은 시뮬레이션
GOOSE-Ex 기관코블렌츠대 포함Fraunhofer IOSB·KIT·뮌헨 연방군대학
ExcavaTwin 조건다시점 RGB소형 굴착기 + 드론 시점 영상
원문 확인 기록: research/v3_verify_*.json
134
135A3 · 정정 목록 2
부록
확인 상태
출처

부록 ② 요청서·v2 대비 바로잡은 것 (2/2)

기업 쪽에서 날짜·금액·표현이 달랐던 항목
항목이전 서술원문 확인 결과
HD현대 Real-X 톤급22톤 / 27톤 혼재스위스 현장은 Develon DX225LC-7X 22톤급. 27톤은 CONEXPO 시연기
Real-X 현장 수치깊이 3 m, 길이 1 km, 120%출처마다 다름(1 km "수행 예정" / 300 m, 최대 30%). 깊이 3 m만 일치
HD현대 CONEXPOAI 굴착기 9종23~40톤급 차세대 신모델 9종
Zoomlion 전시 일정11월 23~26일본 전시 11월 24~27일. 400톤급 굴착기는 붐 들기 시연만 명시
Built Robotics 투자누적 6,400만 달러6,400만 달러는 2022 시리즈 C. 누적 1억 1,200만 달러
DeepX 2026.63대 6시간 이상 연속 자동운전사람 감시 하의 토사 운반 작업 6시간 남짓
Komatsu 1,000대째인도가동 투입(2026.4.21, Nevada Gold Mines)
XCMG 100대2026년 인도2025년 5월(화넝 이민 탄광)
Teleo 1명 3대2026년 동향2023~2024년 사례
Kobelco·히로시마대2026년 동향2024년 학회 발표 2건
SafeAI2026년 소식 없음2024년 Pronto에 인수
서울대 연구HD현대사이트솔루션 지원공저
HEAP 석축 규모재확인 필요65.5 m × 1.8 m × 6 m 옹벽으로 확인
원문 확인 기록: research/v3_verify_industry.json
135
136A4-1 · 논문 출처 1
부록
확인 상태
출처

부록 ③ 논문 출처 (1/9)

원문에서 제목·소속·게재처를 대조한 논문
제목나라·기관게재처식별자확인
Dust De-Filtering in LiDAR Applications With Conventional and…캐나다·한국 · Ontario Tech UniversityIEEE Access, vol. 12, pp. 22032–2…10.1109/ACCESS.2024.3362804확인
RGB-LiDAR sensor fusion for dust de-filtering in autonomous e…캐나다·한국 · Ontario Tech University …Automation in Construction, vol. …10.1016/j.autcon.2024.105850확인
Dust Filtering in LIDAR Point Clouds Using Deep Learning for …칠레 · Universidad de Chile 전기공학과 ·…Sensors, vol. 25, no. 20, article…10.3390/s25206441확인
LiDARDustX: A LiDAR Dataset for Dusty Unstructured Road Envir…중국 · 후난대arXiv preprint (2025-05-28)arXiv 2505.21914확인
Event-based object detection under adverse lighting and motio…호주 · 시드니대arXiv preprint (2026-11-15)arXiv 2611.19746확인
AdverseNet: A LiDAR Point Cloud Denoising Network for Autonom…중국 · 베이징건축대IEEE Sensors Journal, vol. 25, no…10.1109/JSEN.2024.3505234확인
DeSnow-GNN: Spatiotemporal graph neural network for robust Li…중국 · 전자과기대Advanced Engineering Informatics,…10.1016/j.aei.2026.104449확인
3DMambaIPF: A State Space Model for Iterative Point Cloud Fil…미확인 · 소속 미확인AAAI 2025 (arXiv 2404.05522)arXiv 2404.05522확인
You Should Learn to Stop Denoising on Point Clouds in Advance중국·싱가포르 · 중국지질대AAAI 2025, Proceedings of the AAA…10.1609/aaai.v39i3.32331일부 확인
확인 = 원문 대조 완료 · 일부 확인 = 일부 정보는 검색 요약 또는 메타데이터 기준
136
137A4-2 · 논문 출처 2
부록
확인 상태
출처

부록 ③ 논문 출처 (2/9)

원문에서 제목·소속·게재처를 대조한 논문
제목나라·기관게재처식별자확인
Denoising Point Clouds in Latent Space via Graph Convolution …중국 외(일부 미대조) · 화남이공대CVPR 2024, pp. 5768–577710.1109/CVPR52733.2024.00551일부 확인
StraightPCF: Straight Point Cloud Filtering미확인 · 소속 미확인CVPR 2024 (arXiv 2405.08322)arXiv 2405.08322확인
Research Status and Prospect of the Key Technologies for Envi…중국 · 허난과기대Applied Sciences, vol. 14, no. 23…10.3390/app142310919확인
ExcavaTwin: Training-Free Geometry-Guided Semantic Elevation …중국 · 홍콩과기대arXiv preprint (2026-09-28), 8쪽arXiv 2609.34719확인
Size Doesn't Matter: Material-State Reinforcement Learning fo…스위스 · ETH Zürich Robotic Systems …arXiv preprint (2026-09-11), 22쪽 …arXiv 2609.12677확인
Data-Efficient Excavation Force Estimation for Wheel Loaders미국 · UC Davis 기계항공공학과IEEE Access, vol. 13, pp. 181846–…arXiv 2506.22579확인
In-Situ Soil-Property Estimation and Bayesian Mapping with a …미국 · 일리노이대 어배너-섐페인ISTVS 2025 (arXiv 2507.22356, 202…arXiv 2507.22356확인
Digging for Data: Experiments in Rock Pile Characterization U…스웨덴·캐나다 · 외레브로대 AASSIEEE Transactions on Field Roboti…arXiv 2602.11082확인
RodRadar × Xwatch Safety Solutions 'Stop-Before-Strike(SBS)' …이스라엘·영국 · RodRadar · Xwatch Safet…보도 2026-02-23, CONEXPO-CON/AGG 20…보도 2026-02-23, CONEXPO-CON/AG…확인
확인 = 원문 대조 완료 · 일부 확인 = 일부 정보는 검색 요약 또는 메타데이터 기준
137
138A4-3 · 논문 출처 3
부록
확인 상태
출처

부록 ③ 논문 출처 (3/9)

원문에서 제목·소속·게재처를 대조한 논문
제목나라·기관게재처식별자확인
Ground Penetrating Radar for Subsurface Utility Detection: Me…미국 · 케네소주립대Sensors, vol. 26, no. 9, article …10.3390/s26092708확인
ETHcavation: A Dataset and Pipeline for Panoptic Scene Unders…스위스 · ETH Zürich Robotic Systems …arXiv 2410.04250 (ACRA 2024 제출 표기)arXiv 2410.04250확인
Towards Learning Boulder Excavation with Hydraulic Excavators스위스 · ETH Zürich Robotic Systems …arXiv preprint (2025-09-22)arXiv 2509.17683확인
Resource-efficient fine-tuning of large vision-language model…한국 · 인제대Frontiers in Artificial Intellige…10.3389/frai.2025.1681277확인
Detection and Tracking of Environmental Sensing System for Co…중국 · 화교대Sensors, vol. 25, no. 13, article…10.3390/s25134214확인
Self-Supervised Learning with LiDAR-Camera Fusion for Constru…미국 · 미시시피주립대 · 조지아공대Computing in Civil Engineering 20…10.1061/9780784486443.064확인
Reasoning About Traversability: Language-Guided Off-Road 3D T…한국 · 한양대 Department of Automotive…arXiv preprint (2026-04-23)arXiv 2604.21249확인
Which Terrain Is Better? Preference Learning with VLM Prototy…미확인(저자명상 한국 추정) · 미확인 — arXiv HTM…arXiv preprint (2026-09-20), 8쪽arXiv 2609.23673일부 확인
Robust 2D Traversability Mapping for Construction AMRs via Fa…인도 · FloMobility Pvt. Ltd.arXiv preprint (2026-10-04), IROS…arXiv 2610.05505확인
확인 = 원문 대조 완료 · 일부 확인 = 일부 정보는 검색 요약 또는 메타데이터 기준
138
139A4-4 · 논문 출처 4
부록
확인 상태
출처

부록 ③ 논문 출처 (4/9)

원문에서 제목·소속·게재처를 대조한 논문
제목나라·기관게재처식별자확인
Autoware in Construction: Gap Analysis and LiDAR Perception T…일본·미국 · TIER IV, Inc.arXiv preprint (2026-10-03), IROS…arXiv 2610.04187확인
Holistic Fusion: Task- and Setup-Agnostic Robot Localization …스위스·독일·미국 · ETH Zürich Robotic Sy…IEEE Transactions on Robotics, vo…arXiv 2504.06479확인
Robust Localization of Autonomous Excavators via EKF-Based Se…튀르키예 · 카라뷔크대Sensors, vol. 26, no. 20, article…10.3390/s26206438확인
Research on excavator environment perception and localization…중국 · Shanghai Institute of Techno…Measurement Science and Technolog…10.1088/1361-6501/ae65cc일부 확인
Joint-State Inference for Autonomous Excavators Using Cab-Vie…중국 · 둥베이대arXiv preprint (2026-11-10)arXiv 2611.13690확인
sensVLA: Spatially-Grounded Vision-Language-Action Model for …독일 · sensmore GmbHarXiv 2609.17021 (2026-09-15), IC…arXiv 2609.17021확인
Excavating in the Wild: The GOOSE-Ex Dataset for Semantic Seg…독일 · Fraunhofer IOSBICRA 2025 (arXiv 2409.18788)arXiv 2409.18788확인
TNS: Terrain Traversability Mapping and Navigation System for…중국·미국 · Baidu Research Robotics a…Robotics: Science and Systems (RS…arXiv 2109.06250확인
Industrial3D: A Water-Treatment TLS Point Cloud Dataset and C…중국(홍콩) 외 · 홍콩과기대 토목환경공학과 · 광저우지리연…arXiv 2603.28660 (2026-03-30), IS…arXiv 2603.28660확인
확인 = 원문 대조 완료 · 일부 확인 = 일부 정보는 검색 요약 또는 메타데이터 기준
139
140A4-5 · 논문 출처 5
부록
확인 상태
출처

부록 ③ 논문 출처 (5/9)

원문에서 제목·소속·게재처를 대조한 논문
제목나라·기관게재처식별자확인
Autonomous Earthwork Machinery for Urban Construction: A Revi…홍콩(중국)·한국 · City University of Ho…Buildings (MDPI) 15(14), 257010.3390/buildings15142570일부 확인
Coordinated Control of Multiple Construction Machines Using L…일본 · 규슈대 정보과학전기공학arXiv preprint (v1 2026-02-01, v2…arXiv 2602.01041확인
Collaborative learning architecture for autonomous excavator …한국 · 아주대Automation in Construction 182, 1…10.1016/j.autcon.2025.106742일부 확인
Physics-validated action masking with LLM-guided decompositio…한국 · 아주대Automation in Construction 192, 1…10.1016/j.autcon.2026.107209일부 확인
A vision-language conditioned agent for autonomous excavator …한국 · 연세대학교Advanced Engineering Informatics …10.1016/j.aei.2026.105287일부 확인
Reinforcement learning-driven adaptive 3D simulation and visu…한국·미국 · 한양대Automation in Construction 181, 1…10.1016/j.autcon.2025.106626확인
Deep reinforcement learning coupled with topological scene gr…중국 · 톈진대학교Automation in Construction 181, 1…10.1016/j.autcon.2025.106617확인
Autonomous Grading Maneuver Determination Algorithm for Elect…튀르키예 · Inonu University, MalatyaJournal of Field Robotics 43(4), …10.1002/rob.70167확인
From Prediction to Decision: World-Model-Guided Action Select…중국 · Tsing-AIarXiv preprint (2026-09-14), 9쪽arXiv 2609.15382확인
확인 = 원문 대조 완료 · 일부 확인 = 일부 정보는 검색 요약 또는 메타데이터 기준
140
141A4-6 · 논문 출처 6
부록
확인 상태
출처

부록 ③ 논문 출처 (6/9)

원문에서 제목·소속·게재처를 대조한 논문
제목나라·기관게재처식별자확인
Towards Autonomous Excavation Planning스위스 · ETH Zürich RSLarXiv 2308.11478 (2023-08-22); 학술…arXiv 2308.11478일부 확인
From Target Selection to Digging: A Learning-Based Framework …중국·스웨덴 · 랴오닝대 정보학부arXiv preprint (v1 2026-09-24, v2…arXiv 2609.29750확인
Vision Guided Target Conditioned Control for Autonomous Excav…중국 · 랴오닝대arXiv preprint (2026-08-22), ISCS…arXiv 2608.21778확인
Reinforcement Learning-Based Bucket Filling for Autonomous Ex…스위스 · ETH Zürich RSLIEEE Transactions on Field Roboti…10.1109/TFR.2024.3432508확인
Learning to Capture Rocks using an Excavator: A Reinforcement…핀란드 · Tampere University 공학자연과학부arXiv 2510.04168 (2025-10-05, v2 …arXiv 2510.04168확인
Excavator trajectory planning via global probabilistic learni…중국 · 지린대Automation in Construction 182, 1…10.1016/j.autcon.2025.106736일부 확인
Reinforcement learning‐based trajectory planning for continuo…중국 · 지린대Computer-Aided Civil and Infrastr…10.1111/mice.13428확인
Time-optimal online trajectory planning for excavator robotic…중국 · 타이위안공업학원 Taiyuan Institute o…Advances in Mechanical Engineerin…10.1177/16878132251370408확인
ExACT: An End-to-End Autonomous Excavator System Using Action…미국(중국 기업) · Baidu Research, Robot…arXiv (2024-05-09); ICRA 2024 Wor…arXiv 2405.05861확인
확인 = 원문 대조 완료 · 일부 확인 = 일부 정보는 검색 요약 또는 메타데이터 기준
141
142A4-7 · 논문 출처 7
부록
확인 상태
출처

부록 ③ 논문 출처 (7/9)

원문에서 제목·소속·게재처를 대조한 논문
제목나라·기관게재처식별자확인
Sim2Schedule: A Simulator-Guided LLM Framework for Autonomous…캐나다 · Lakehead University 컴퓨터과학과arXiv preprint (2026-06-09)arXiv 2606.10286확인
High Precision Hydraulic Excavator Control for Heavy-Duty Gra…스위스 · ETH Zürich RSLRobotics: Science and Systems (RS…arXiv 2605.09465확인
Precision at Speed: Sample-Efficient Online Model-Based Reinf…스위스·칠레 · ETH Zürich RSLarXiv preprint (2026-09-25), IEEE…arXiv 2609.31025확인
Large-Scale Robotic Material Handling: Learning, Planning, an…스위스·독일 · ETH Zürich RSLIEEE Transactions on Field Roboti…arXiv 2508.09003확인
Learning a System-Level Surrogate for Hydraulic Excavators: A…중국 · 베이징우전대 BUPT 이동통신망기술 국가공정연구센터arXiv preprint (2026-07-17)arXiv 2607.15656확인
Autonomous Obstacle Removal for Excavators through Policy Lea…일본 · NAIST 나라첨단과학기술대학원대학arXiv preprint (2026-06-08), 심사 중arXiv 2606.09183확인
Data-driven control of hydraulic impact hammers under strict …칠레 · Universidad de Chile, AMTC·전…arXiv preprint (2026-01-12), 21쪽arXiv 2601.07813확인
Heavy Metal Acrobatics: Learning Dynamic Control for Skid-Ste…스위스·미국 · ETH Zürich RSLScience Robotics 11, eaef0894 (20…arXiv 2611.18365확인
Disturbance observer-based passivity and impedance control fo…중국 · 광시대Automation in Construction 170, 1…10.1016/j.autcon.2024.105898일부 확인
확인 = 원문 대조 완료 · 일부 확인 = 일부 정보는 검색 요약 또는 메타데이터 기준
142
143A4-8 · 논문 출처 8
부록
확인 상태
출처

부록 ③ 논문 출처 (8/9)

원문에서 제목·소속·게재처를 대조한 논문
제목나라·기관게재처식별자확인
Adaptive Funnel Control of Hydraulic Excavator Based on Neura…중국 · 옌산대 기계공학원Machines (MDPI) 13(12), 113210.3390/machines13121132확인
High-Precision and High-Efficiency Trajectory Tracking for Ex…중국 · 저장대IROS 2025 (Hangzhou), pp. 5617–56…arXiv 2509.17387확인
Enhanced Hydraulic Excavator Control via Semi-automatic Gradi…한국 · KAISTInternational Journal of Control,…10.1007/s12555-024-0213-9확인
Towards Fully Integrated Autonomous Excavation: Autonomous Ex…한국 · 서울대 항공우주공학·ASRIIEEE Robotics & Automation Magazi…10.1109/MRA.2024.3400772확인
Real-Time Excavation Trajectory Modulation for Slip and Rollo…한국 · 서울대 기계공학부IEEE Robotics and Automation Lett…10.1109/LRA.2025.3540389확인
ExT: Towards Scalable Autonomous Excavation via Large-Scale M…스위스 · ETH Zürich RSLarXiv preprint (v1 2025-09-18, v2…arXiv 2509.14992확인
油圧ショベルのオペレータ操作を学習するフィジカルAIの研究開発を開始 (보도자료)일본 · 히타치건기히타치건기 뉴스 릴리스 2026-09-09; NEDO GEN…히타치건기 뉴스 릴리스 2026-09-09; NEDO…확인
GR00T N1: An Open Foundation Model for Generalist Humanoid Ro…미국 · NVIDIAarXiv preprint (v1 2025-03-18, v2…arXiv 2503.14734확인
Physics-Informed Neural Networks-Based Online Excavation Traj…중국 · 다롄이공대 기계공학원Chinese Journal of Mechanical Eng…10.1186/s10033-024-01109-2확인
확인 = 원문 대조 완료 · 일부 확인 = 일부 정보는 검색 요약 또는 메타데이터 기준
143
144A4-9 · 논문 출처 9
부록
확인 상태
출처

부록 ③ 논문 출처 (9/9)

원문에서 제목·소속·게재처를 대조한 논문
제목나라·기관게재처식별자확인
Excavation trajectory planning for unmanned mining electric s…중국 · 다롄이공대Automation in Construction 174, 1…10.1016/j.autcon.2025.106135일부 확인
World Modeling for Autonomous Wheel Loaders / Optimizing whee…스웨덴·일본 · 우메오대arXiv 2309.12016 (v4 2024-05) / a…arXiv 2309.12016확인
A simulation framework for autonomous lunar construction work스웨덴 · Algoryx Simulation ABarXiv 2505.22091 (2025-05, 개정 202…arXiv 2505.22091확인
Autonomous Wheel Loader Navigation Using Goal-Conditioned Act…핀란드 · Tampere UniversityIEEE ICRA 2025, pp. 1286–129210.1109/ICRA55743.2025.111273…확인
TERA: A Simulation Environment for Terrain Excavation Robot A…미국 · University at BuffaloarXiv 2501.01430 (2024-12-14), 7쪽arXiv 2501.01430확인
A framework for robotic excavation and dry stone construction…스위스 · ETH ZürichScience Robotics 8(84), eabp9758 …10.1126/scirobotics.abp9758확인
확인 = 원문 대조 완료 · 일부 확인 = 일부 정보는 검색 요약 또는 메타데이터 기준
144
145A5-1 · 기업 출처 1
부록
확인 상태
출처

부록 ④ 기업 출처 (1/2)

보도자료와 기사로 날짜·금액·수치를 대조
기업나라대조한 출처(도메인)일치/전체
Bedrock Robotics미국techcrunch.com, constructiondive.com, bricks-bytes.com, therobotreport.com10/11
Gravis Robotics스위스therobotreport.com, techfundingnews.com, heraldk.com, bricks-bytes.com12/12
Built Robotics미국builtrobotics.com, arena.gov.au, robotics247.com, businessinsider.jp10/12
AIM Intelligent Machines미국komatsu.com, geekwire.com6/6
Actor미국labs.actor, youtube.com1/4
DeepX일본prtimes.jp, youtube.com1/3
TerraFirma미국therobotreport.com5/5
Teleo미국hitachicm.com, constructionequipment.com2/3
Pronto (Atoms Mining)미국bricks-bytes.com3/3
BuilderX Robotics (拓疆者)중국workinchina.chinaservicesinfo.com, im-mining.com2/4
RodRadar × Xwatch이스라엘·영국heavyequipmentguide.ca1/1
일치/전체 = 요청서의 서술 중 원문과 일치한 항목 수 · 수치는 회사 발표 기준
145
146A5-2 · 기업 출처 2
부록
확인 상태
출처

부록 ④ 기업 출처 (2/2)

보도자료와 기사로 날짜·금액·수치를 대조
기업나라대조한 출처(도메인)일치/전체
Caterpillar미국constructionequipmentguide.com, blogs.nvidia.com, quartr.com4/4
Komatsu일본komatsu.com1/2
히타치건기 (2027.4부터 LANDCROS)일본hitachicm.com3/3
HD현대 (HD현대사이트솔루션·HD건설기계·Develon)한국heraldk.com, thecea.org.uk, etoday.co.kr, koreancenter.or.kr1/6
Kobelco (코벨코건기)일본dream-driven.hiroshima-u.ac.jp2/2
Volvo CE스웨덴youtube.com1/1
John Deere미국deere.com1/1
Zoomlion (中联重科)중국macaubusiness.com, finance.eastmoney.com, stdaily.com, stock.10jqka.com.cn, aap.com.au8/13
XCMG (徐工)중국therobotreport.com1/2
SANY (三一)중국aap.com.au4/4
LiuGong (柳工)중국im-mining.com, heavyequipmentguide.ca3/3
일치/전체 = 요청서의 서술 중 원문과 일치한 항목 수 · 수치는 회사 발표 기준
146