굴착기와 이동식 크레인이 작업하는 공사 현장 개념 일러스트(생성 이미지)
한국건설기술연구원 지반연구본부 세미나
2026. 11. 02.

필드로봇에서의
AI활용

이한민 책임연구원/실장
한국기계연구원 산업기계DX연구실
1
굴착기와 이동식 크레인이 작업하는 공사 현장 개념 일러스트(생성 이미지)
CONTENTS
목차
  1. 01피지컬AI 기술
  2. 02KIMM 피지컬AI 연구현황
  3. 03필드로봇 AI 기술
  4. 04KIMM 필드로봇 연구현황
2

1. AI, 로봇, 그리고 산업기계

산업마다 무인화와 자율화 요구가 먼저 있었고, ChatGPT 모멘트가 그것을 가속
전망AI젠슨 황의 4단계로봇모델 → 학습→ 파운데이션산업기계자동화 → 자율화→ 피지컬 AI2010201220142016201820202022202420262028ChatGPT 모멘트 → 가속Perception AI보고 듣고 인식Generative글, 그림코드 생성Agentic스스로 계획도구 실행Physical AI현실에서 보고몸으로 행동AlexNetAlphaGoChatGPTCES 피지컬 AI모델 기반 제어고전 비전과 제어정해진 동작의 정확한 반복학습 기반 제어시뮬레이션 강화학습과 모방학습보행부터파운데이션 모델VLA, RFM에 월드 액션 모델 추가언어로 이해하고, 예측하며 행동+ 월드 액션 모델패턴 자동화정형 반복 작업머신 컨트롤과 가이던스스마트건설기계, 스마트농기계자율화센서 융합, 경로 계획원격과 반자율필드로봇 피지컬 AI학습 기반 자율작업굴착기와 농기계
3

2. 프로그래밍에서 학습으로의 전환

데이터와 경험으로 학습해, 더 다양한 작업과 환경에 대응
프로그래밍 중심
사람이 동작 설계→실행
FANUC 태블릿 티치 펜던트
→
학습 중심
시연·경험→학습→실행
Figure Helix 2.5 (2026.09)
4

3. 행동 생성의 두 접근: VLA와 WAM

이해를 행동으로 연결하는 VLA · 미래를 예측해 행동하는 WAM

VLAVision-Language-Action

Chef Robotics · Physical Intelligence Pi API
햄버거 조립

WAMWorld Action Model

1X World Model · NEO
티슈 뽑기
5

4. 로봇 두뇌의 구성 방식

하나의 모델이 행동을 직접 출력하거나, 이해와 제어를 나누어 처리
행동 직접 출력Google DeepMind RT-2 (2023)
RT-2 Vision-Language-Action 모델 구성도
↑지시와 영상 입력
↑행동 토큰을 로봇 동작으로
영상과 지시를 받아 하나의 VLA 모델이 행동 토큰을 직접 출력
이해와 제어 역할 분담Figure Helix (2025.02)
Figure Helix System 2, System 1 구성도
이해·계획→
연속 제어→
System 2가 장면과 지시를 이해, System 1이 연속 동작으로 변환
6

5. 로봇 학습의 데이터 격차

인터넷에 축적된 지식에 비해, 로봇의 행동 경험은 부족
인터넷의 글과 그림
웹 문서, 코드, 이미지 예시웹 데이터 예시
vs
로봇의 원격조작 경험
DROID로봇 시연 데이터 예시
Goldberg (2025)의 당시 비교
약 10만 년
학습용 글과 그림을 사람이 읽고 보는 시간
약 1년
당시 최대 원격조작 데이터셋의 누적 기록 시간
로봇에는 관찰, 행동, 결과가 연결된 경험이 필요
7

6. 학습 데이터의 확보와 확장

로봇으로 수집하고, 사람에게서 배우고, 합성 데이터로 확장
1텔레오퍼레이션
Stanford, Mobile ALOHA (2024)
사람 조작으로 관찰과 행동 기록
+
2사람 영상 기반 학습
사람 1인칭 영상
▼ 학습에 활용
로봇 이동
Figure, Project Go-Big (2025.09)
1인칭 영상으로 로봇 이동 학습
+
3합성 데이터 생성
소수 시연
▼ 배치를 바꿔 증강
다수 변형 궤적
NVIDIA, DexMimicGen (2024)
소수 시연을 시뮬레이션에서 증강
시뮬레이션 증강월드 모델 생성
다양한 경험으로 확장하고, 실제 작업으로 보정하고 검증
8

7. 현장 적용의 조건

현장의 기준은 안정적인 작업 완수, 지속적인 가동, 비용 대비 생산성
1작업 신뢰도
Telexistence TX SCARA
Telexistence, 일본 편의점 음료 진열
운영자 1명이 약 50대 감시
물건을 떨어뜨리는 등 예외 상황은
원격 운영자가 복구
→
2운영 지속성
Figure 02, BMW 스파턴버그 공장
누적 1,250시간+, 부품 9만 개+
가동률이 아닌 11개월 누적 실적
주요 고장 지점인 전완부 재설계
→
3경제성
Rosendin 태양광 설치 로봇
Rosendin, 미국 태양광 현장시험
2인 작업조, 8시간 350–400장
3–4인 수작업조 대비 3배 속도
생산성 개선 사례, 투자회수는 별도
작업 성공뿐 아니라, 실패해도 복구하고 계속 운영할 수 있어야 현장 적용
9

14. 기계연 로봇 연구의 발전

휴머노이드, 필드로봇, 의료로봇으로 확장되는 기계 지능
휴머노이드
휴머노이드 카이로스
사람의 환경에서 작업
필드로봇
KIMM 자율작업 굴착기
산업·재난 현장의 작업
의료로봇
수술실의 KIMM 의료로봇
정밀한 의료 작업
6축 산업로봇
1986 국내 최초 6축 산업로봇
▶
양팔로봇 아미로
2010 양팔로봇 아미로
▶
현재 휴머노이드 카이로스 V0.7
10

15. 휴머노이드 카이로스

이동과 조작을 위한 로봇 플랫폼과 핵심부품 개발
2026 글로벌 기계기술 포럼 2026. 9. 7.
카이로스 V0.7 탈춤 시연
로드맵2027.4V1▶2030.4V2 초감각, 전신감각▶2035실용화
구동기
2.1kg으로
최대 192 N·m
전용 구동기 5종 자체 설계, 성능 20% 향상
로봇 핸드
핀셋을 쥐고
작은 부품까지
오랜 핸드 연구의 축적
대면적 몸통 촉각센서
촉각 피부 차별점
쓰다듬는 손길까지
감지
3축 촉각, 자가회복 피부
11

16. 로봇 작업지능과 학습 데이터

사람의 시연을 학습해 다양한 작업으로 확장
1시연 수집
2이해와 계획
3작업 수행 RoGeTA
RoGeTA 교시 장치로
사람의 시연 수집
데이터 팩토리
휴머노이드 여러 대의 동시 시연 수집 환경
▶
명령 이해언어·시각 모델
작업 계획순서 수립과 검증
동작 조합집기, 놓기, 복구
▶
테이블 정리
분리수거와 물건 전달
12

19. 의료로봇

정밀조작과 원격제어로 의료 역량 확장
정밀조작최소침습 카테터 수술로봇
심장 모형 속 카테터
가는 관 끝을 떨림 없이 원하는 방향으로 조향
원격제어울릉도–대구 원격 초음파
의사 · 조작
로봇 · 초음파
의사의 손 조작을 먼 곳의 로봇이 따라 초음파 영상 획득
13

20. 디지털트윈

실제 장비와 가상 트윈을 실시간 연동해 학습·최적화
실제 장비디지털트윈
자율주행 트랙터 — 실차 작업을 트윈에서 실시간 관제
디지털트윈실제 설비
공작기계 자율제조 셀 — 설비·로봇 동작을 트윈과 연동
美 Digital Twin Consortium공식 테스트베드
MANDATE-R2R 이차전지 롤투롤 자율제조
실제 설비와 트윈을 실시간 연동, 다중 AI 에이전트가 공정을 스스로 최적화 · 2025.12 등록
14

Field Robotics

비정형·옥외 환경에서 일하는 모든 로봇
건설
건설굴착기 · 휠로더 · 도저
농업
농업트랙터 · 과수 모니터링
광업
광업채굴 · 운반 · 정리
임업
임업벌채 · 식재 · 운반
재난·국방
재난·국방탐색구조 · 정찰
해양
해양해저 작업 · 양식
우주
우주행성 탐사
도시 인프라
도시 인프라하수도 · 터널 점검
15

현장의 4대 도전과제

불확실성 · 부분관측 · 동적 환경, 그리고 안전과 신뢰
불확실성
01불확실성

토질 · 흙의 밀도 · 식생 · 기상이
매 작업마다 다름

부분관측
02부분관측

지하 매설물 · 가려진 장애물
먼지로 인한 센서 저하

동적 환경
03동적 환경

작업이 진행될수록
지형 자체가 바뀜 (굴착·운반)

안전과 신뢰
04안전과 신뢰

30톤 굴착기가
작업자 옆에서 움직임

16

스마트 건설기계 세부 기술

Perception · Planning · Control
Perception
Preprocessing
De-noising(Dust/Snow/Rain)
Terrain perception
Terrain mapping★Material classification★
Environment analysis
Semantic segmentation & object detectionTraversability analysis
State Estimation & Localization
Planning
Task planning★
Motion(bucket trajectory) planning★
Control
Bucket control (Operation)★
Base control (Driving)
Hybrid control (Driving + Operation)
굴착기 지형 인식 개념 그림
17

Perception – De-noising

Preprocessing › De-noising(Dust/Snow/Rain)
Image
De-dusting
(Baidu)
Image De-dusting 네트워크 구조
Image De-dusting 입력과 결과 Test 1~4
Lidar
De-dusting
(KIMM,
Ontario Tech)
Lidar De-Dust Classifier 흐름도
18

Perception – Terrain Mapping

Terrain perception › Terrain mapping
Data collection · Data processing 지도 갱신 흐름도
Original terrain · Uncertainty ellipses · Upper/Lower confidence bound
Probabilistic Terrain Mapping (ETH)
19

Perception – Material Classification

Terrain perception › Material classification
(a) dry soil ~ (h) mixture 재질 사진
Texture Classification (Baidu)
GPR based Object Detection (RodRadar)
20

Perception – Environment Analysis

Environment analysis › Semantic segmentation & object detection · Traversability analysis
Semantic Segmentation & Object Detection (ETH)
Terrain Traversability Mapping (Baidu)
21

Perception – State Estimation & Localization

LSTM-based Pose Estimation · Graph-based Sensor Fusion for Localization
LSTM 셀 구조 조작 레버 신호와 작업 단계(Digging · Hauling · Dumping · Swinging) 인식 결과
LSTM-based Pose Estimation (Central South University)
Graph-based Sensor Fusion for Localization (ETH)
22

Planning - Task Planning (Global)

CCPP(Complete Coverage Path Planning) · Reinforcement Learning
구역(Zone 1~7)·장애물(Obstacle) 커버리지 경로 격자 지도 위 구역 분할과 커버리지 경로
CCPP(Complete Coverage Path Planning) (Hanyang U.)
FCNCNN w/o FCNCNN w FCN
FCN / CNN w/o FCN / CNN w FCN 작업 격자 진행
Digger path 3D 경로 비교
FCNCNN w/o FCNCNN w FCN
Reinforcement Learning (KAIST)
23

Planning – Task Planning (Global)

RL-based Dozer Path Planning · Policy Comparison
RL-based Dozer Path Planning (Bosch)
24

Planning - Task Planning (Hierarchical)

Hierarchical Task Planning · ETH · Baidu
작업 구역 분할과 경로 (a)(b) 굴착 시뮬레이션 (a)~(h)
Hierarchical Task Planning (ETH)
User Interface → High Level Task Planner → MRSP / BMSP → Joint / Base Move Primitives → Joint / Base Controller 굴착 구역 분할(Overlap · Top view · Terrain envelop · Layer 1~4 · Side view)
Hierarchical Task Planning (Baidu)
25

Planning - Task Planning (Hierarchical)

TaskNet : Neural Task Planner · Approach · Dig · Swing · Dump
Grid Map from LiDAR scan · Grid Map → Tiles Map · Cells Maps
Sub-tasks and Primitives List
TEM · CEM · PATH 모델 구조
Approach · Dig · Swing · Dump 실험
TaskNet : Neural Task Planner (Baidu)
26

Planning - Task Planning (Local)

POA Planning — ETH · Baidu
POA Planning(ETH)
Fig. 7 Illustration of finding the point of attack(a) Digging on flat terrain, (b) Digging on receding terrain
POA Planning(Baidu)
POA, Highest point, offset — Top view, Side viewPOA (x, y, z), Horizon plane
27

Planning – Bucket Trajectory Planning

토양 특성 파악이 힘들어 최적의 경로 생성의 어려움 존재
고려사항
  • 에너지 효율성 (힘/토크 최소화)
  • 버켓 Fill Factor 최대화
  • 실린더 힘, 속도, 변위 제한사항 고려
  • 토양 특성 파악이 힘들어 최적의 경로 생성의 어려움 존재
방법
  • Parameter optimization
  • Spline optimization
  • Reachability-map based
  • Deep Learning based
Penetration, Dragging, Rotation, Lifting
q–t 스플라인 궤적 t0~t4
R-map (a)(b)(c)
28

Planning – Bucket Trajectory Planning

Expert-emulating Excavation Trajectory Planning (SNU, Doosan Infracore)
Expert, Semi-expert, Non-expert — Excavation trajectory, Excavation force
Expert excavation → DMP dynamics → Multilayer perceptron
29

Control

문제점 — 비선형, 비정형, 큰 외력
문제점
  • 비선형, 비정형, 큰 외력
    • 토양과의 접촉력
    • 다양한 토양 재질 및 물성
    • 비선형 유압시스템
방법
  • PID-combined optimization control
  • Sliding mode control
  • Robust adaptive control
  • Time-delay control
  • Model predictive control
  • Deep Learning based
Challenges in robotic excavation — Low bandwidth, Moving base, Unknown load disturbances, Coupling
Leveling Path → Inverse Kinematics → Sliding Mode Control → Excavator Model, Kinematics
30

Control

RL-based excavator control (ETH)
Controller Network, Actuator Network, History Buffer, M545, Forward Kinematics Reinforcement
Learning
Supervised
Learning
31

모방학습 기반의 End-to-End 자율작업

Physical Intelligence의 π 모델을 Actor가 굴착기 · 휠로더 자율작업에 적용
Actor 휠로더
Physical Intelligence · Pi API 공개 영상 (2026.10) — π 모델을 미세조정한 협력사 로봇들
첫 장면 · 왼쪽 위 노란 테두리: Actor × π 휠로더의 덤프트럭 상차 (Utah 상용 현장, 2배속)
데이터숙련 운전원의 시연

카메라로 현장 운전원의 작업과 조이스틱 조작을 함께 기록 · VR 원격조작 병행

▼
모델π0.5 VLA 미세조정

카메라 영상 + 자연어 지시 → 조이스틱 4축 명령을 직접 출력 (관절 엔코더 없이)

π0.5는 Actor 굴착기 글(2026.3) 기준

▼
적용굴착기 · 휠로더

굴착기 운전원 작업 2.5시간 학습 → 실제 현장 굴토

휠로더 운전석 무인으로 상용 현장 상차

32

오프로드 자율주행 환경인식 기술

센서 클리닝 · 노이즈 제거 · 주행 가능 영역 추정으로 야지 자율주행
기술적 성과
  • 진흙/흙탕물 대응 가능 센서 클리닝 기술 개발
  • 강설/강우/분진 노이즈 제거 정확도 85% 이상 달성
  • 야지 주행 가능 영역 추정 실시간 성능 1.5배 이상 향상
센서 보호 및 클리닝 장치 3D 모델
센서 보호 및 클리닝 장치 시제품
센서 보호 및 클리닝 기술
강설 신호 제거 전 (원시 점군 데이터) 강설 신호 제거 후 (알고리즘 적용 후) 전면 영상 실시간 계산 속도 (ms)
라이다 강설 신호 제거 알고리즘 검증
주행 영상 Local Path Planning Global Path Planning 주행가능영역 전방 카메라 영상 Image + Segmented Segmented
주행가능영역 추정을 통한 야지 자율주행
33

협업 크레인 거더 자동운반

다중 크레인을 통합 제어해 교량 거더를 자동 운반
기술적 성과
다중 크레인 통합제어위치 오차 수평/수직 ±5 cm
라이다 기반 충돌방지환경탐지
Multi-RRT거더 이송 경로계획
축소 크레인자동운반 실증
협업 크레인 시스템 구성환경탐지 센서와이어 센서크레인 1크레인 2붐 각도 센서붐 길이 센서거더 위치자세 센서거더관제 시스템크레인 GPS크레인 제어기스윙 각도 센서
협업 크레인 시스템 구성
교량 구조물 이송 사례
자동운반 제어 ①
자동운반 제어 ②
원본 1.5배속
자동운반 제어 ③
34

굴착기·휠로더 원격제어

기계식 장비에 전자제어 retrofit kit를 달아 원격으로 제어
원격제어 스테이션
원격제어 스테이션
원격제어 굴착기굴착기 retrofit kit
원격제어 굴착기 Retrofit kit
원격제어 휠로더휠로더 retrofit kit
원격제어 휠로더 Retrofit kit
전자제어 인터페이스비례제어밸브 모듈 · 임베디드 컨트롤러 · GNSS · IMU · 압력계
작업장치 위치 제어굴착기 · 휠로더
정밀 압력 제어 · AI 고장진단Pilot 압력 hysteresis 제거
고장검출 정확도 90% 이상
다산네트웍스KITECH한국기계연구원
35

원격제어 굴착기 시연

retrofit kit을 단 굴착기를 원격으로 조작
원격제어 굴착기
36

과수 예찰 자율 농업기계

자율주행 플랫폼에 매니퓰레이터와 병해충 탐지기를 탑재
플랫폼 3D 설계
3D 설계
제작 플랫폼
제작 플랫폼
플랫폼 치수 도면3D 모델
치수 도면
병해충 탐지기 광학 헤드 설계
탐지기 광학 헤드 설계
병해충 탐지기(광학 헤드) 모형 장착
37

과수 예찰 주행·자세 시험

노지 과수원 정밀 병해충 예찰을 위한 자율작업 기계
노지 과수원의 자율작업 농업기계
노지 농업용 자율작업 기계
노지환경 정밀 병해충 예찰자율작업 농업기계 기술개발
8시간 연속 작업친환경 전원공급장치 개발
과수원 자율주행 · 병해충 영상 인식
38

UAV·UGV 연동 시험

무인이동체 육해공 자율협력 — UAV와 UGV 연동 시험
39

숙련자 데이터 학습 파이프라인

숙련자 작업을 데이터로 수집·학습해 무인 굴착기 자율작업으로
데이터 수집
데이터 수집 플랫폼
데이터 수집 굴착기
→
라이다 점군 → 2D 그리드
데이터 수집 및 가공
라이다
그리드맵
……… 관절각
센서
관절각 시계열 카메라 작업매핑approach (x,y,z)dig (depth,drag)dump (x,y,z)
숙련자 작업 DB
approach (…)
dig (…)
dump (…)
⋮
인공지능 학습
2D 그리드인공지능 모델
dig(depth, drag)
라이다 2D 그리드 → 인공지능 모델 학습
자율작업 실증
작업 전후 지형
AI 기반 무인 굴착기 자율작업 계획 및 제어
SURROMIND한국기계연구원KOCETIHD현대영신디엔씨아주대학교Ontario Tech University
40

MC 굴착기 센서 구성

기존 굴착기에 인지·자세·유압 센서를 더한 데이터 수집 플랫폼
LiDAR & Stereo Camera #1
Tilt Sensor
Pressure Sensor
Input Switch for Logging
센서를 장착한 KIMM 굴착기
LiDAR & Stereo Camera #2
GNSS-RTK
Main Control Box & IMU
Swing Angle Estimator
41

2D 그리드 작업계획 강화학습

2D 그리드 맵에서 Dig·Dump·Leveling 작업계획을 강화학습(PPO)으로
문제 정의
작업 환경20×40 그리드 맵 (실제 10 m×20 m)
한 그리드 0.5 m · 높이 −3 ~ 3 m
행동작업 시작 지점 (x 0~40, y 0~20)
Dig · Dump별 action space
보상 함수1회 굴착량 최대화
평균 높이 목표 도달 여부
이동거리 최소화
PPO
학습 환경 그리드
학습 환경
강화학습 기반 평탄화 Dumping 작업 시퀀스
Dumping 작업 시퀀스
작업 종료
작업 종료
강화학습 기반 평탄화 Leveling 작업 시퀀스
Leveling 작업 시퀀스
42

가상환경 자율작업 시스템 구조

Vortex Studio·ROS2 가상환경에서 인식 → 상위 계획 → 하위 제어
환경 인식
Environment PerceptionLiDAR · Camera
State Estimation경사계 · IMU · RTK-GPS · Encoder · 압력계 · TF
상위 계획High-level Planner
Grid MapperGrid Map GeneratorGrid Map InterpolationROI Extraction
RL ModuleDig ModelDump ModelLeveling Model
Task ManagerTask Combination PlannerTask Scheduler
Trajectory GeneratorDig · Dump ModuleSwing ModuleSwing-less Module
하위 제어Low-level Controller
Motion Control
AI-to-WorldCoordinate Transformation
Inverse KinematicsSolver
Actuator Control
BucketPID
BoomPID
ArmPID
SwingPID
43

가상환경 자율작업 1사이클

점군 인식부터 제어까지 가상환경에서 한 사이클 자율 수행
Point Cloud환경 인식
GridMap생성 및 추출
목표작업 영역인공지능 기반 설정
궤적 생성
자율 작업 제어
가상환경 · 1-cycle
44

토공 자율작업 가상환경 시뮬레이터 구축

토양환경 시뮬레이터 구축 — AGX 정밀 · Isaac sim 고속
AGX 기반의 토양환경 정밀 시뮬레이터
구축 및 실차 연동
굴착기 작업 설정 GUI와 AGX(Unity) 굴착 시뮬레이션 화면AGX Dynamics
법면작업
FEE 기반의 Isaac sim
토양환경 고속 시뮬레이터 구축
Isaac Sim 굴착 시뮬레이터 화면Isaac Sim 4.5.0
굴착 연산
45

관로파기 현장 실증과 관제 UI

실제 굴착기의 관로파기 자율작업과 관제 화면
46

강화학습 실기 전이 재난분야 필드로봇 피지컬 AI

과제를 정의해 학습한 정책을 실제 4족 로봇까지 10일에 전이
기준 영상
① 과제 정의 핸드스프링
시뮬레이션
② 강화학습 Isaac Gym · PPO
실기 · RBQ-10
③ 실기 전이 실시간 원본
10일
과제 정의 → 실기 성공
2/3회
실기 성공 (2026-10-02)
3곳
시뮬레이터 교차 검증
47

필드 지형 강화학습 재난분야 필드로봇 피지컬 AI

험지를 지형 10종 × 10단계로 정의해 필드 보행 정책을 학습
성공 17 %
제조사 정책 — 진흙에서 넘어짐
vs
성공 92 %
필드 정책 v3 — 진흙 통과
필드 정책 v3 하나로 다양한 험지 시뮬레이션 성공률
산악 난이도 9 · 100 %
개천 25 cm · 100 %
계단 17 cm · 100 %
잔해 난이도 9 · 97 %
경사 23.7° · 100 %
48

선택기 기반 정책 전환 재난분야 필드로봇 피지컬 AI

지형을 보고 전문 정책을 실시간 전환, 나아가 하나의 모델로
지형 선택기 — 높이·재질 지도로 6칸 44 m 통과
흰색: 통합 정책만 (13 m에서 넘어짐) · 주황: 선택기
카메라 선택기 — 전방 깊이 영상으로 장애물 7칸 통과
흰색: 통합 정책만 (9 m 벽 앞 정체) · 주황: 선택기
전문 정책 6종통합·단차·진흙·벽·틈·계단
+
선택기지형 → 전문 정책
증류·재학습→
하나의 범용 모션 모델선택 단계 없는 공통 모델 (구상)
49

18. 필드로봇 피지컬 AI

공통 인지 모델 하나로 건설·농업·재난 장비를 자율화
필드로봇 피지컬 AI 세부기술 구성
인구절벽·위험환경 대응
AI 필드로봇 기술 개발
4족 보행 로봇
재난 4족 보행
트랙터
농업 트랙터
과수 예찰 로봇
농업 과수 예찰
굴착기
건설 굴착기
자재 이송 로봇
건설 자재 이송
이기종 장비 5종Level 4자율화
50

필드로봇 AI, 어떻게 적용할 것인가

필드로봇 AI 적용은 두 가지 방향으로
강화학습Reinforcement Learning시뮬레이터 속 시행착오로 배운다
AGX 토양 시뮬레이터
4족 보행 로봇 실기 전이
굴착기 관로파기 현장 실증
  • 토양 상호작용 시뮬레이터
  • Sim-to-Real 갭 극복
  • 보상과 작업 정의
모방학습Imitation Learning숙련자의 데이터를 따라 배운다
원격제어 스테이션
데이터 수집 굴착기
Actor의 π 기반 건설기계 자율작업
  • 데이터 수집 방법
  • 데이터 규모와 다양성
  • 사전학습 모델 활용
공통안전성 · 신뢰성 — 안전 계층, 단계적 검증, 원격 감독
51