Chapter 5: 지능형 메커니즘 — 물리적 지능

개요

Chapter 4에서 로봇 핸드의 전체 설계 스펙트럼을 조망했다면, 이 챕터에서는 메커니즘 자체가 지능을 발휘하는 세 가지 접근 — 부족 구동(underactuation), 가변 강성 구동기(variable stiffness actuator, VSA), 능동 표면(active surface) — 을 깊이 다룹니다. 세미나 3 (Inchul)은 이 세 메커니즘의 통합이 공장 자동화에서 어떤 시너지를 만들어내는지를 보여준 가장 풍부한 자료입니다.

이 챕터를 읽고 나면... - 부족 구동의 원리와 형상 적응 능력을 설명할 수 있습니다. - 가변 강성 구동기의 네 가지 구현 방식을 비교할 수 있습니다. - 능동 표면이 연속 접촉 조작에 어떻게 기여하는지 이해합니다. - 세 메커니즘의 통합 설계가 공장 자동화에 미치는 영향을 설명할 수 있습니다.

5.1 부족 구동: 적은 구동기로 형상 적응

부족 구동(underactuation)은 구동기 수가 관절 수보다 적은 설계입니다. 나머지 관절은 스프링이나 기계적 멈춤(mechanical stop)으로 수동적으로 결정됩니다. 이 접근의 핵심 가치는 물체 형상에 자동 적응하는 것입니다 — 제어 알고리즘이 아닌 물리적 메커니즘이 적응을 수행합니다.

핵심 논문: ^[1] "Hands for Dexterous Manipulation and Robust Grasping: A Difficult Road Toward Simplicity." IEEE T-RA. 부족 구동의 이론적 기초를 제시한 기념비적 논문. "더 적은 구동기로 더 견고한 파지"라는 역설적 명제를 증명했습니다.

Pisa/IIT SoftHand

세미나 3에서 가장 많이 참조된 핸드 중 하나입니다:

SoftHand 1 [Li et al.; Catalano et al.]:

• 1 구동기로 19 관절을 구동
• 적응 시너지(adaptive synergy): 첫 번째 주성분(first principal synergy)에 맞춰 모든 관절이 연동
• 물체 접촉 시 건이 미끄러지며 접촉 면적 자동 확대
• 3D 프린팅 + 모듈형 설계

SoftHand 2 [Della Santina et al.]:

• 2 구동기: 주 시너지 + 보조 시너지
• 마찰(friction)을 이용한 구동 확장으로 더 다양한 파지 유형 실현

손바닥 오목 적응 (Palm Concavity + Adaptability)

Capsi-Morales et al.은 손바닥을 여러 섹션으로 나누고 부족 구동으로 연결하여, 손바닥 자체가 물체에 적응하는 설계를 제안했습니다. 이는 손가락뿐 아니라 손바닥까지 적응 영역을 확장한 것입니다.

끌어당기기 메커니즘 (Pull-in Mechanism)

Kakogawa et al.은 부족 구동 손가락에 물체를 안쪽으로 끌어들이는 메커니즘을 결합하여, 테이블 위의 평평한 물체를 집는 어려운 과제를 해결했습니다.

Dollar의 핸드

Dollar et al.의 연구는 부족 구동의 극단적 단순화를 추구하여, 제조업 환경에서 최소한의 복잡도로 견고한 파지를 달성하는 방향을 제시했습니다.

ILDA: 링크 구동 메커니즘 기반 적응 파지

Kim et al. [2021, Nature Communications]의 ILDA(Integrated Linkage-Driven Dexterous Anthropomorphic Robotic Hand)는 건 구동이 아닌 링크 구동(linkage-driven) 메커니즘으로 동일한 지능적 적응을 달성합니다. 자유 공간에서는 결합 운동(coupled motion)을 유지하고, 물체와 접촉 시에는 링크가 수동적으로 재구성되어 파지 대상에 적응합니다. 건 구동 방식의 마모·이완 문제를 피하면서 부족 구동의 형상 적응 특성을 공유합니다 (→ Chapter 4.5 참조).

5.2 가변 강성 구동기: 유연과 강성의 전환

가변 강성 구동기(Variable Stiffness Actuator, VSA)는 하나의 메커니즘이 유연한 상태(compliant)와 강성 상태(stiff) 사이를 전환할 수 있습니다. 세미나 3은 네 가지 구현 방식을 체계적으로 정리했습니다:

5.2.1 평행 보 방식 (Parallel Beam)

Fu et al.은 슬라이더(slider)로 손가락의 유효 보 길이를 조절하여 강성을 연속적으로 변화시킵니다. ArUco 마커 기반 비전 힘 센싱과 결합하여, 저비용으로 힘 피드백을 구현했습니다.

5.2.2 공압 방식 (Pneumatic)

Al Abeach et al.은 McKibben 인공 근육을 길항(antagonistic) 배치하여, 자세를 유지하면서 강성만 독립적으로 조절하는 VSA를 구현했습니다. 이는 물체를 잡은 상태에서 충격에 대한 저항력을 조절할 수 있음을 의미합니다.

5.2.3 SMA + SMP 방식

Wang & Ahn은 형상기억합금(SMA) 구동과 형상기억폴리머(SMP) 강성 전환을 결합하여, 힌지당 55배의 강성 변화를 달성했습니다.

5.2.4 입자 잼 방식 (Particle Jamming)

Wei et al.은 섬유 보강 공압 구동기에 입자 잼(particle jamming)을 결합하여, 10배 이상의 강성 증가를 달성했습니다. 부드러운 상태에서 물체에 적응한 후, 입자를 밀집시켜 강성 파지로 전환합니다.

양방향 강성 구동기 (BISA)

Lin et al.의 BISA(Bidirectional Stiffening Soft Actuator)는 굽힘 강성과 횡방향 강성을 각각 독립적으로 조절할 수 있어, 더 정밀한 강성 프로파일 제어를 가능하게 합니다.

재구성 가능 수동 관절 (Reconfigurable Passive Joint)

Kopicki et al. [2025, IEEE RA-L, arXiv:2501.16006]은 외력으로 관절을 원하는 위치에 재구성한 후, 건 장력(tendon tension)으로 고정(lock)하는 재구성 가능 수동 관절(RP-joint) 을 제안했습니다. 별도의 VSA 하드웨어 없이 "형상 선택 → 잠금" 2단계로 가변 구성을 달성하며, IKEA 물체 80%·YCB 데이터셋 87%의 단일 예시 학습(single-example learning) 성공률을 보고했습니다.

RP-joint 기반 3-손가락 그리퍼는 Link 1–5로 구성된 5-관절 손가락을 사용하며, 각 손가락이 평평한 표면과 둥근 물체에 기하학적으로 다르게 적응합니다 — 이는 동일한 구동 신호 하에서도 물체 형상에 따라 접촉 구성이 수동적으로 조정되는 물리적 지능의 전형적 사례입니다.

5.3 능동 표면: 벨트/롤러 기반 연속 접촉 조작

능동 표면(active surface)은 그리퍼의 접촉면 자체를 구동하여, 접촉을 유지한 상태에서 물체를 미끄러뜨리거나 재배치하는 접근입니다.

벨트 기반 능동 표면

Kim et al.; Wang et al.의 연구에서, 그리퍼 손가락 표면에 벨트를 장착하고 이를 구동합니다:

• 얇은 물체 접근: 벨트를 이용해 테이블 위의 카드/종이를 끌어올림
• 재배치/정렬: 파지 상태에서 벨트 구동으로 물체 위치 조정
• 연속 접촉 유지: 물체를 놓았다가 다시 잡는 것이 아닌, 접촉을 유지하며 조작

이 접근의 핵심 인사이트는 세미나 3의 독창적 관점에서 나옵니다: 연속 접촉(continuous contact)이 불연속 접촉(discrete contact)보다 제어가 쉽고 안정적입니다. 물체를 놓고 다시 잡는 과정에서 발생하는 불확실성을 제거하기 때문입니다.

5.4 세 메커니즘의 통합: 적응 → 고정 → 조작 시너지

세미나 3의 가장 독창적 기여는 세 메커니즘의 시간순 통합(temporal integration)입니다:

1. 부족 구동 (Underactuation): 초기 접근 → 물체 형상에 수동적 적응
2. 가변 강성 (VSA): 적응 완료 후 → 강성 전환으로 파지 고정
3. 능동 표면 (Active Belt): 고정 상태에서 → 벨트 구동으로 조작/재배치/정렬

이 세 단계는 인간이 물체를 잡을 때의 자연스러운 흐름 — "접근 → 파악 → 조정" — 을 메커니즘으로 구현합니다.

핵심 인사이트: 동일한 sensing과 learning을 사용하더라도, 메커니즘이 연속 접촉을 유도하면 안정성이 크게 향상됩니다. 이것이 "Physical Design의 역할"입니다 — 지능을 소프트웨어에만 의존하지 않고, 물리적 구조 자체에 내재시키는 접근입니다.

5.5 공장 자동화 적용: 얇은 물체, 복수 물체, 재배치/정렬

세미나 3은 이 통합 메커니즘의 공장 자동화 적용 시나리오를 구체적으로 제시합니다:

5.5.1 얇은 물체 파지

카드, 종이, 가스켓 등 극도로 얇은 물체는 병렬 그리퍼로는 접근이 어렵습니다. 능동 벨트 표면으로 가장자리를 끌어올린 후, 부족 구동 손가락으로 파지합니다. PP-Tac^[17] [#12]의 R-Tac + Diffusion Policy 접근(87.5% 성공률)은 촉각+학습 방향에서, 세미나 3의 메커니즘 접근은 물리적 설계 방향에서 같은 문제를 공략합니다 (→ Chapter 8.3 참조).

5.5.2 복수 물체 핸들링

여러 물체를 동시에 잡거나, 한 물체를 잡은 상태에서 다른 물체를 추가로 파지하는 시나리오입니다. 부족 구동의 형상 적응이 핵심 역할을 하며, F-TAC Hand의 100% 다중 물체 파지 성공률은 촉각 피드백이 이를 더욱 견고하게 만듦을 보여줍니다 (→ Chapter 4.5 참조).

5.5.3 재배치/정렬/회전

파지 상태에서 물체의 위치나 방향을 조정해야 하는 시나리오입니다. 능동 벨트 표면이 핵심 역할을 하며, 이는 불연속 접촉(놓고-다시-잡기)보다 안정적입니다.

5.6 연속 접촉 vs 불연속 접촉: 물리적 설계의 역할

세미나 3의 가장 깊은 통찰은 연속 접촉(continuous contact)과 불연속 접촉(discrete contact)의 근본적 차이입니다:

불연속 접촉 (대부분의 현재 접근):

• 물체를 잡고 → 놓고 → 다시 잡기
• 매 번 새로운 접촉 계획 필요
• 접촉 상태 전환 시 불확실성 증가
• 학습 기반 접근이 이 불확실성을 흡수해야 함

연속 접촉 (메커니즘 기반 접근):

• 물체와의 접촉을 유지하며 조작
• 접촉 상태 안정적 → 제어 단순화
• 메커니즘이 연속 접촉을 "물리적으로 보장"
• 학습/센싱의 부담 경감

핵심 관점: 메커니즘이 연속 접촉을 유도하면, sensing과 learning의 부담이 경감됩니다. 이것이 Chapter 14에서 제안하는 "메커니즘 + 촉각 + 학습의 삼각 통합"의 한 축입니다 (→ Chapter 14.4 참조).

Process-Centric Manipulation Taxonomy [2025, Nature Machine Intelligence]은 공정 사양(process specification)에서 촉각 조작 기술로의 연결을 형식화하여, 28가지 기술을 산업 도메인에서 ~100% 성공률로 검증했습니다. 이 분류 체계는 연속 접촉 기반 조작 기술을 포함하며, 세미나 3의 메커니즘 접근과 상통합니다.

5.7 2026년 상용 로봇핸드 지형도

2026년의 상용 로봇핸드는 Shadow/Allegro 같은 고가 연구 플랫폼 중심에서, humanoid-scale 통합 부품으로 빠르게 이동하고 있습니다. 중요한 변화는 DoF가 늘었다는 사실만이 아닙니다. 촉각, teleoperation, simulator asset, SDK, ROS2/EtherCAT/USB 통신, VLA/GR00T 계열 학습 스택과 연결되는지가 제품 경쟁력이 되고 있습니다.

Cosmax 미팅에서 Robotis, Tesollo, Wuji를 비교한 것처럼 실제 구매 의사결정은 논문 스펙보다 더 거칠고 현실적입니다 ^{[26] [27]}. 납기, 가격, 촉각 센서 장착 가능성, 토크 제어 지원 여부, simulator, 수리 가능성, 손가락 패드 교체성이 연구 일정과 제조 적용성을 좌우합니다. 제조 현장에서는 DoF와 tactile density보다 cycle time, 수명, 청소/방진, 센서 calibration 유지, operator override, QA trace가 더 중요합니다.

5.7.1 연구 benchmark hand와 제조 구매 후보를 분리해서 보기

상용 로봇핸드를 "가장 많이 쓰이는 손"으로 한 줄 순위화하는 것은 2026년 기준으로 근거가 약합니다. Allegro와 Shadow는 논문 비교의 benchmark로 많이 등장하지만, 제조 셀에 바로 구매해 넣을 후보와는 기준이 다릅니다. 반대로 Wuji, Tesollo, Robotis 계열 후보는 논문 생태계보다 납기, 가격, SDK, simulator, torque-control support, 촉각 옵션, 수리 가능성이 더 중요한 구매 판단 기준이 됩니다.

이 표의 목적은 특정 제품을 추천하는 것이 아니라, 연구 플랫폼, 휴머노이드 부품, 제조 PoC 후보를 같은 잣대로 비교하지 않는 것입니다. Cosmax형 셀에서는 첫 PoC를 "최고 자유도"로 시작하기보다, 1) 촉각/힘 로그가 남는가, 2) 손가락 하나를 비워도 첫 물체를 유지할 수 있는가, 3) simulator에서 같은 실패가 재현되는가, 4) 패드와 센서 교체가 작업자 절차에 들어오는가를 먼저 봐야 합니다.

요약 및 전망

지능형 메커니즘은 소프트웨어 지능(sensing, learning)의 대안이 아니라 보완재입니다. 부족 구동이 형상 적응을, VSA가 상태 고정을, 능동 표면이 연속 접촉 조작을 제공하며, 이 세 요소의 통합은 단순한 합 이상의 시너지를 만들어냅니다. 세미나 3의 공장 자동화 시나리오(얇은 물체, 복수 물체, 재배치)는 현재 산업 배치(물류 수준)보다 한 단계 위의 도전이며, 메커니즘 기반 접근이 이 격차를 메우는 핵심 전략 중 하나입니다.

다음 챕터에서는 로봇에게 조작을 가르치기 위한 인간 손 데이터 수집을 다룹니다 (→ Chapter 6: 사람 손 데이터 수집 참조).

제조 셀 적용 체크포인트

상용 핸드 선택은 카탈로그 스펙 비교로 끝나지 않습니다. 제조 현장에서는 payload, 반복 정밀도, closing speed, tactile option만큼이나 유지보수성과 통합 비용이 중요합니다. 구매 전에 최소한 네 가지를 확인해야 합니다. 첫째, 손가락 끝과 손바닥 패드가 오염된 뒤 얼마나 빨리 교체되는가. 둘째, calibration drift가 shift 단위 운용에서 어느 정도 누적되는가. 셋째, ROS/SDK가 tactile packet, joint state, fault code를 같은 로그 스키마로 내보내는가. 넷째, 공급사가 spare part와 firmware update를 지속적으로 제공하는가.

화장품 제조처럼 작고 미끄러운 물체가 많은 라인에서는 손의 "일반성"보다 공정 적합성이 더 중요합니다. 예를 들어 병뚜껑, 튜브, 파우치, 소형 박스는 각각 필요한 접촉면과 force limit이 다릅니다. 따라서 Sharpa, AgiBot, XHAND, Inspire, Wuji, Unitree, Allegro/Shadow 같은 후보를 한 줄로 순위화하기보다, 공개 구매 가능성, 촉각 옵션, 제어 인터페이스, 손바닥 활용성, 청소 가능성, 가격/납기 리스크를 함께 놓고 셀별로 고르는 것이 안전합니다.

실전 적용 메모

이 장의 핵심은 상용 핸드 구매와 메커니즘 선택을 하나의 연구 키워드로만 보지 않고, 실제 로봇핸드 시스템에서 어떤 결정을 바꾸는지 묻는 데 있습니다. 실험을 설계할 때는 먼저 관측 가능한 상태를 정해야 합니다. 어떤 센서 값이 contact state, slip margin, force limit, object pose, operator override 중 무엇을 설명하는지 명확하지 않으면, 성공률이 높아도 다음 개선 루프가 막힙니다.

두 번째는 기록 단위입니다. 논문 데모는 성공 장면을 보여주지만, 제조형 연구는 실패를 재현 가능한 record로 남겨야 합니다. attempt id, task phase, hardware configuration, calibration version, tactile summary, policy output, human intervention을 함께 저장해야 다른 장에서 설명한 데이터 표현, 제어, 학습, 전이가 서로 연결됩니다.

마지막으로 이 장의 내용을 적용할 때는 "가장 성능이 좋은 방법"보다 "어떤 실패를 줄이는 방법인가"를 먼저 물어야 합니다. 촉각 로봇핸드의 실용성은 센서, 핸드, 정책, 시뮬레이터가 각각 좋은지보다, 실패 원인을 나누고 다음 실험을 더 싸게 만드는지에서 드러납니다.

참고문헌

1. Bicchi, A. (2000). Hands for dexterous manipulation and robust grasping: A difficult road toward simplicity. IEEE Transactions on Robotics and Automation, 16(6), 652-662. scholar
2. Li, H., Ford, C. J., Bianchi, M., Catalano, M. G., Psomopoulou, E., & Lepora, N. F. (2022). BRL/Pisa/IIT SoftHand: A low-cost, 3D-printed, underactuated, tendon-driven hand with soft and adaptive synergies. IEEE Robotics and Automation Letters, 7(4), 8745-8751. scholar
3. Catalano, M. G., Grioli, G., Farnioli, E., Serio, A., Piazza, C., & Bicchi, A. (2014). Adaptive synergies for the design and control of the Pisa/IIT SoftHand. International Journal of Robotics Research, 33(5), 768-782. https://doi.org/10.1177/0278364913518998 scholar
4. Della Santina, C., Piazza, C., Grioli, G., Catalano, M. G., & Bicchi, A. (2018). Toward dexterous manipulation with augmented adaptive synergies: The Pisa/IIT SoftHand 2. IEEE Transactions on Robotics, 34(5), 1141-1156. scholar
5. Capsi-Morales, P., Grioli, G., Piazza, C., Bicchi, A., & Catalano, M. G. (2020). Exploring the role of palm concavity and adaptability in soft synergistic robotic hands. IEEE Robotics and Automation Letters, 5(3), 4703-4710. scholar
6. Kakogawa, A., Nishimura, H., & Ma, S. (2016). Underactuated modular finger with pull-in mechanism for a robotic gripper. IEEE International Conference on Robotics and Biomimetics (ROBIO), 556-561. scholar
7. Odhner, L. U., Jentoft, L. P., Claffee, M. R., Corson, N., Tenzer, Y., Ma, R. R., Buehler, M., Kohout, R., Howe, R. D., & Dollar, A. M. (2014). A compliant, underactuated hand for robust manipulation. International Journal of Robotics Research, 33(5), 736-752. scholar
8. Fu, J., Yu, Z., Guo, Q., Zheng, L., & Gan, D. (2023). A variable stiffness robotic gripper based on parallel beam with vision-based force sensing for flexible grasping. Robotica. https://doi.org/10.1017/S026357472300156X scholar
9. Al Abeach, L. A. T., Nefti-Meziani, S., & Davis, S. (2017). Design of a variable stiffness soft dexterous gripper. Soft Robotics, 4(3), 274-284. scholar
10. Wang, W., & Ahn, S.-H. (2017). Shape memory alloy-based soft gripper with variable stiffness for compliant and effective grasping. Soft Robotics, 4(4), 379-389. scholar
11. Wei, Y., Chen, Y., Ren, T., Chen, Q., Yan, C., Yang, Y., & Li, Y. (2016). A novel, variable stiffness robotic gripper based on integrated soft actuating and particle jamming. Soft Robotics, 3(3), 134-143. scholar
12. Kim, Y., Shin, J., Won, J., Lee, W., & Seo, T. (2024). LBH gripper: Linkage-belt based hybrid adaptive gripper design for dish collecting robots. Robotics and Autonomous Systems, 185, 104886. scholar
13. Wang, H., Gao, B., Zhao, D., & Shen, H. (2025). A reconfigurable gripper inspired by elastic belt for versatile in-hand manipulations. IEEE Robotics and Automation Letters. scholar
14. Lin, J., et al. (2023). A bioinspired bidirectional stiffening soft actuator for multimodal, compliant, and robust grasping. Soft Robotics. https://doi.org/10.1089/soro.2022.0212 scholar
15. Kopicki, M., Ansary, S. I., Tolomei, S., Angelini, F., Garabini, M., & Skrzypczyński, P. (2025). Underactuated dexterous robotic grasping with reconfigurable passive joints. IEEE Robotics and Automation Letters. arXiv:2501.16006. scholar
16. Johannsmeier, L., et al. (2025). A process-centric manipulation taxonomy for the organization, classification and synthesis of tactile robot skills. Nature Machine Intelligence. https://doi.org/10.1038/s42256-025-01045-3 scholar
17. Lin, P., Huang, Y., Li, W., Ma, J., Xiao, C., & Jiao, Z. (2025). PP-Tac: Paper picking using omnidirectional tactile feedback in dexterous robotic hands. RSS 2025. #12 scholar
18. Hogan, N. (1985). Impedance control: An approach to manipulation. JDSMC, 107(1), 1-24. scholar
19. Kim, U., Jung, D., Jeong, H., Park, J., Jung, H.-M., Cheong, J., Choi, H. R., Do, H., & Park, C. (2021). Integrated linkage-driven dexterous anthropomorphic robotic hand. Nature Communications, 12, 7177. https://doi.org/10.1038/s41467-021-27261-0 scholar
20. Sharpa. (2026). Sharpa Wave and CraftNet product information. https://www.sharpa.com/ [Sharpa, 2026] source
21. AgiBot. (2026). AGIBOT OmniHand 2025 product page and specifications. https://store.agibot.com/products/omnihand-2025-w-tactile [AgiBot, 2026] source
22. RobotEra. (2026). XHAND1 dexterous hand brochure. https://www.robotera.com/ [RobotEra, 2026] source
23. Inspire Robots. (2026). RH56DFX series dexterous hand product page. https://www.inspire-robots.com/ [Inspire Robots, 2026] source
24. Wuji Technology. (2026). Wuji Hand product documentation. https://docs.wuji.tech/docs/en/wuji-hand/latest/overview/ [Wuji Technology, 2026] source
25. Unitree Robotics. (2026). Dex5-1 dexterous hand product page. https://www.unitree.com/mobile/Dex5-1/ [Unitree Robotics, 2026] source
26. Cosmax Robotics Meeting. (2026a). Sequential multi-object grasping and active in-hand rearrangement problem statement. Internal meeting PDF, 2026-05-12. [Cosmax, 2026a] private source
27. Cosmax Robotics Meeting. (2026b). Model-based approach vs RL-based approach for in-hand manipulation. Internal meeting PDF, 2026-06-05. [Cosmax, 2026b] private source