Chapter 7: 햅틱 피드백과 텔레오퍼레이션 — 조작자에게 감각을 되돌리기

개요

Chapter 6은 인간 손의 출력을 어떻게 캡처할지를 풀었습니다 — 모션 트래킹 글로브, 촉각 글로브, 외골격, 원격 조작 입력 장치가 사람의 동작과 접촉을 로봇으로 옮겼습니다. 그러나 그 챕터는 한 가지 문제를 풀지 않았습니다. 캡처하는 그 순간, 조작자는 자신이 무엇을 하고 있는지 손으로 느끼지 못합니다. 시각만으로 다지 핸드를 원격 조작하면 조작자의 감각-운동 루프가 끊어집니다. 로봇은 사람이 전혀 느끼지 못하는 접촉력을 기록하고, 그래서 시연은 느리고 오류가 많거나, 접촉의 "마지막 1밀리미터(last millimeter)"에서 아예 실패합니다.

이 챕터의 척추가 되는 논지는 한 문장입니다. 누락된 재료는 조작자에게 되돌아가는 피드백 루프 — kinesthetic(근감각) 힘과 tactile(피부감각) 자극 — 이다. 그리고 중요한 점은, 이것이 더 이상 주장이 아니라 2024–2026년의 데이터로 뒷받침되는 경험적 사실이라는 것입니다. Chapter 6이 인간 손의 출력을 캡처했다면, Chapter 7은 캡처 장치가 끊어 놓은 루프를 닫아 사람의 입력으로 감각을 되돌립니다.

이 챕터를 읽고 나면... - 시각만으로는 contact-rich 데이터 수집이 왜 실패하는지(last millimeter problem)를 수치로 설명할 수 있습니다. - kinesthetic 피드백과 tactile 자극의 차이, 그리고 각각의 actuator 계열을 구분할 수 있습니다. - wearable 인터페이스가 마주하는 trade-off(무게·대역폭·전력·내구성)를 이해합니다. - 햅틱-in-the-loop가 데이터 수집과 정책 품질에 주는 영향, 그리고 물리적 햅틱 대 AR 대리 피드백의 갈림길을 평가할 수 있습니다.

이 챕터의 골격에는 2026년 6월 고려대학교에서 열린 한 햅틱·촉각 세미나의 발표들이 녹아 있습니다. 김상연(한국기술교육대), 연정환, 차영수(고려대), 박채용(고려대) 네 연구자의 발표는 actuator 분류, last-millimeter 문제, soft wearable 한계, 멀티모달 HCI 햅틱이라는 이 챕터의 네 축과 정확히 맞닿아 있어, 해당 흐름을 본문에 그대로 활용합니다.

7.1 왜 햅틱 피드백인가 — 텔레오퍼레이션 데이터 수집의 병목

논의를 device taxonomy로 시작하지 않겠습니다. 실패로 시작합니다.

가장 결정적인 데이터 포인트는 DexViTac입니다 ^[1]. 네 개의 contact-rich 태스크(피펫 사용, 화이트보드 지우기, 마커 삽입, 과일 수집)에서 vision-only 베이스라인의 평균 성공률은 17.5%인 반면, 시각·촉각을 모두 쓰는 전체 시스템은 85.8%를 기록했습니다 — 약 68포인트의 붕괴입니다. 여기서 핵심은 단순히 "vision-only 데이터의 품질이 낮다"가 아닙니다. contact-rich 정교 조작에서는 데이터가 애초에 수집되지 않는 경우가 잦습니다.

이 실패의 다른 얼굴을 KineDex가 보여줍니다 ^[2]. 조작자가 접촉을 느끼지 못하는 원격 조작에서는 시연의 수집 성공률 자체가 50% 미만인 반면, 사람이 손을 직접 움직여 실제 접촉력을 느끼는 kinesthetic teaching에서는 약 100%에 이릅니다. 즉 조작자는 접촉을 느끼지 못하면 시연을 완료조차 하지 못하는 일이 많습니다.

흥미로운 대조가 있습니다. DexViTac는 조작자에게 아무런 햅틱 피드백을 주지 않는 캡처 전용 리그입니다(이 캡처 기구는 Chapter 6의 영역입니다). 그럼에도 dense한 fingertip 촉각 캡처를 갖추고도 vision-only ablation은 무너졌습니다. 다시 말해, 문제는 센서 쪽 캡처의 부재가 아니라 조작자 쪽 피드백 루프의 부재입니다. 이것이 이 챕터가 Chapter 6과 갈라지는 지점입니다.

오래된, 그리고 이미 검증된 발견

이 발견을 "이미 다 아는 이야기"로 치부할 위험이 있습니다. 그래서 그 선례를 적극적으로 소유하는 편이 낫습니다. 로봇 보조 수술은 같은 실패를 15년 넘게 문서화해 왔습니다. Okamura ^[3]는 vision-only 수술 원격 조작에서 조작자가 과도하고 잘 조절되지 않는 힘을 가해 조직 손상과 봉합사 파단을 일으키며, 힘 피드백이나 감각 대체(sensory substitution)를 더하면 가해지는 힘과 오류가 측정 가능하게 줄어든다는 것을 보였습니다.

그러므로 이 챕터의 정확한 위치는 이렇습니다. 정교 데이터 수집 커뮤니티는, bilateral teleoperation 제어 이론과 수술 로보틱스가 수십 년 전에 확립한 사실을, 이제 대규모로 그리고 학습된 정책과 함께 재발견하고 있습니다. 이 관점은 챕터를 "서로를 거의 인용하지 않는 두 문헌을 잇는 종합"으로 다시 정의합니다.

"last millimeter problem"이라는 표현은 2026년 6월 고려대 세미나에서 제시된 프레이밍입니다 — 측정 지표가 아니라 조작자의 직관을 담은 용어로 받아들이는 것이 정확합니다. 정밀한 접촉 정렬과 미세 힘 조절이 일어나는 마지막 순간에, 시각은 가려지고 깊이는 모호하며, 조작자에게는 손끝의 저항이 필요합니다.

7.2 Kinesthetic(근감각) 피드백 — 힘·반력

햅틱은 크게 두 채널로 나뉩니다. kinesthetic(근감각)은 관절과 근육에서 감지되는 힘·토크·자세이고, tactile/cutaneous(피부감각)는 피부 기계수용기가 잡아내는 질감·미끄러짐·온도입니다. Hayward et al. ^[4]는 이 이분법과 거기서 따라 나오는 device 분류를 정리한 튜토리얼입니다. 이 챕터의 척추는 바로 이 구분 위에 놓입니다.

kinesthetic 채널에는 30년에 걸친 성숙한 제어 이론이 있습니다. Massie & Salisbury ^[5]의 PHANToM은 최초로 널리 채택된 grounded kinesthetic 인터페이스로, 3개의 actuator로 손끝에 제어된 힘 벡터를 렌더링해 가상 물체를 만지는 착각을 만들었습니다. 이 "조이스틱형" grounded device가 힘 피드백 연구의 표준 도구이자 원형이 되었습니다.

제어 이론의 두 축은 다음과 같습니다. Lawrence ^[6]는 transparency(조작자가 느끼는 임피던스가 실제 원격 환경의 임피던스와 일치하는 정도)를 정식화하고, 양방향으로 위치와 힘을 모두 전송하는 4채널(four-channel) 아키텍처가 지연이 없는 이상적 한계에서 완전한 transparency를 달성함을 유도했습니다. 동시에 모든 힘 피드백 루프가 헤쳐 나가야 하는 안정성 대 transparency 트레이드오프를 정립했습니다. Niemeyer & Slotine^[7]은 통신 채널을 지연이 있어도 수동적(passive)으로 만드는 wave variable을 도입해, 임의의 일정 지연에서도 힘 반사 루프의 안정성을 보장했습니다 — networked 힘 피드백을 가능하게 한 토대입니다.

흥미로운 사실은, transparency와 passivity를 지연 하에서 동시에 완벽히 만족시킬 수 없다는 이 고전적 긴장이, 학습된 정책으로 networked 원격 조작을 하는 오늘날 다시 떠오른다는 것입니다. 그리고 wearable cutaneous 시스템이 grounded 힘 루프 자체를 포기함으로써 이 안정성 문제를 우회한다는 점이 7.4의 갈림길로 이어집니다.

grounded에서 wearable glove로

CyberGrasp ^[8]는 force-feedback 외골격 글로브의 원형입니다. 데이터 글로브 위에 입는 텐던 구동 외골격으로, 손가락당 하나씩 5개의 actuator가 데스크탑 actuator 모듈에서 저항력을 가해 손가락이 가상·원격 물체를 파고들지 못하게 막습니다. 미 해군 STTR 과제로 telerobotics를 위해 개발된 이 장치는, 무거운 grounded 방식이라 조작자를 묶어 두고 텍스처·온도·미끄러짐 같은 cutaneous 단서를 전혀 주지 못한다는 한계가 있었습니다. 현대의 경량 wearable은 바로 이 한계에 대한 반작용입니다.

그 현대의 한 답이 CDF-Glove입니다 ^[9]. 약 230달러의 경량 cable-driven force-feedback 글로브로, 20개 손가락 DoF의 상태를 실시간으로 제공하고(16개 직접 센싱, 4개 수동 연동), 운동학이 다른 여러 로봇 핸드에서 검증되었습니다. 이 장치는 명시적으로 imitation-learning 시연 품질을 높이기 위한 피드백 루프 장치로 위치합니다. (참고: 이 논문의 저자·소속은 1차 자료에서 아직 확정되지 않아 보수적으로 기술합니다.)

Prometheus ^[10]는 또 다른 경로입니다. 모션 캡처 기반 원격 조작에 힘 피드백을 통합한 오픈소스 시스템으로, 조작자가 mocap으로 로봇을 구동하면서 힘 피드백을 받아 더 높은 품질의 시연을 모으도록 설계되었습니다. 독점적 force-feedback 리그에 대한 "범용" 오픈소스 대안으로서, 햅틱-in-the-loop 데이터 수집의 진입 장벽을 낮춥니다.

KineDex ^[2]는 가장 극단적인 형태를 보여줍니다 — 사람이 곧 루프입니다. retargeting 기반 원격 조작이 직접 햅틱 피드백 없이는 어려운 정교 태스크의 접촉력을 포착하지 못한다고 보고, hand-over-hand 방식으로 조작자가 다지 핸드를 직접 움직여 실제 접촉력을 느끼게 합니다. 이렇게 모은 시연으로 정책을 학습하면, 원격 조작 대비 데이터를 2–3배 빠르게, 약 100% 수집 성공률로 모을 수 있습니다.

힘 분해능은 얼마나 정밀해야 하는가

kinesthetic 힘 피드백 하드웨어가 초정밀일 필요는 없습니다. 인간의 힘 변별 역치 자체가 그리 미세하지 않기 때문입니다. Jones ^[11]는 근육 힘에 대한 변별 역치(JND, Weber 분수)를 약 7% 수준으로 측정했고, Pang et al.^[7]은 능동적 손가락 힘에 대해 약 5–10%를 보고했습니다. 이 수치들은 2026년 6월 고려대 세미나에서 제시된 설계 지침 — "약 10% 분해능이면 충분하며, 약 0.5N 미만에서는 25% 수준" — 의 근거가 됩니다. 즉 힘 피드백 actuator의 정밀도 요구는 생각보다 낮아, 엔지니어링 부담을 덜어 줍니다.

힘의 범위에 대해서는 주의가 필요합니다. 같은 세미나에서 제시된 기능적 힘 범위 — 정밀 파지(precision grip) 약 0.2–2N, 파워 파지(power grip) 약 2–20N — 는 단일 논문에서 나온 수치가 아니라 세미나·설계 차원의 지침입니다. Jones와 Pang et al.은 변별 역치를 다루지, 이 파지 범위 자체를 규정하지 않습니다. 따라서 이 envelope은 그 출처를 명확히 한 채로만 사용하는 것이 정확합니다.

7.3 Tactile(피부감각) 액추에이션

cutaneous 채널은 피부를 자극하는 방법의 역량 사다리(capability ladder)로 이해하면 좋습니다. 진동 → 마찰/전기진동 → soft DEA 법선·전단 → 온도로 갈수록 표현력이 늘지만, 대역폭·전력·착용성의 비용도 함께 커집니다.

사다리의 첫 칸은 진동(vibrotactile)입니다. Choi & Kuchenbecker ^[13]는 인간 진동 지각이 Pacinian 대역인 약 200–300Hz에서 가장 민감하다는 점과, 주요 상용 actuator 계열 — ERM(편심 회전 질량), LRA(선형 공진 actuator), 피에조(piezo), voice-coil — 의 대역폭·지연·전력 트레이드오프를 정리한 정전(canonical) 참고문헌입니다. 2026년 6월 고려대 세미나에서 김상연이 제시한 ERM/LRA/piezo 분류가 정확히 이 토대 위에 있으며, 그의 연구진은 이를 투명·유연한 진동 actuator로 확장했습니다 ^[14].

둘째 칸은 전기진동(electrovibration)입니다. Bau et al. ^[15]의 TeslaTouch는 움직이는 부품 없이, 절연된 전도성 표면에 진동 전압을 걸어 미끄러지는 손끝과의 정전 인력을 변조함으로써 마찰을 프로그래밍해 질감을 렌더링합니다. 빠르고 저전력이며 임의 형상으로 확장 가능하지만, 손끝이 움직여야 느껴진다는 제약이 있습니다 — 정지한 손가락에는 아무 감각도 주지 못합니다.

셋째 칸은 soft DEA(dielectric elastomer actuator, 유전성 탄성체 actuator)입니다. Pelrine et al. ^[16]은 부드러운 탄성체 막의 양면에 유연 전극을 입혀 전압을 걸면 두께가 수축하고 면적이 팽창하는(Maxwell 응력) DEA를 시연했고, 프리스트레인으로 매우 큰 면적 변형을 얻었습니다. 조용하고 큰 변형을 내지만, 힘 밀도가 낮고 kV급 구동 전압이 필요해 착용형으로 만들기 어렵습니다. 바로 이 한계 때문에, 세미나에서 연정환의 연구는 DEA를 스프링과 결합하고 array로 타일링했습니다.

그 actuation 프런티어가 FCDEA 스킨 패치입니다 ^[17]. flat-cone DEA array를 얇고 부드럽게 만들어 넓은 피부 영역에 정적·동적 힘을 시공간적으로 조절해 가하며, photomicrosensor array와 통합해 무선 자가-센싱 햅틱 패치를 이룹니다 — HaptX G1 같은 부피 큰 공압 글로브 대신, 피부에 붙는 부드러운 전압 구동 자극입니다. (정확한 힘·주파수·array 사양은 1차 자료에서 완전히 추출되지 않아, 여기서는 방법과 개념을 인용합니다.)

넷째 칸은 온도(thermal)입니다. Jones & Ho ^[18]는 Peltier 기반 열 디스플레이가 피부-물체 열전달을 재현해 재질 인식을 돕는다는 점을 정리했습니다. 다만 열 채널은 초 단위로 느리고 면적·기저 피부 온도에 크게 의존해, 빠른 접촉 이벤트 피드백에는 부적합한 보조 채널입니다.

origami 기반 접근은 또 다른 방향입니다 ^[19]. 설치형 origami 펌프를 갖춘 신형 공압 actuator로 손끝에 법선력·전단력·진동을 외부 공기 공급 없이 자족적으로 전달하는 약 2g의 초경량 wearable 인터페이스입니다. 이는 2026년 6월 고려대 세미나에서 차영수가 제시한 origami 기반 법선·전단력 개념과, "텔레오퍼레이션에서는 결국 진동이 현실적으로 작동한다 — 그래서 상용 햅틱이 진동 기반인 것" 이라는 실용적 평가를 그대로 구현합니다. (이 장치의 정확한 힘 값 역시 1차 자료에서 추출되지 않아 개념 수준에서 인용합니다.)

이 사다리에서 차영수의 실용적 결론은 soft-actuator 과열에 대한 정직한 무게추입니다. 진동은 가장 잘 작동하기에 상용 햅틱이 진동 기반이며, soft 법선·전단 actuator는 표현력은 크지만 내구성이라는 벽에 부딪힙니다.

7.4 정교 텔레오퍼레이션을 위한 wearable tactile 인터페이스

여기서 kinesthetic 대 tactile의 긴장이 설계의 갈림길이 됩니다. Pacchierotti et al. ^[20]은 wearable(ungrounded) 손끝·손 햅틱 인터페이스의 정전 분류를 제시하며 핵심 트레이드오프를 분명히 했습니다. cutaneous-only wearable은 휴대 가능하고 본질적으로 수동적(안정적)이지만, 큰 순(net) 힘을 낼 수 없습니다. grounded kinesthetic 글로브(7.2)는 순 힘을 주지만 묶고 불안정하게 만들고, wearable cutaneous 인터페이스는 안정적이고 자유롭지만 밀어낼 수 없습니다.

프런티어(FCDEA, origami)는 cutaneous 채널을 넓혀 이 트레이드오프를 완화하려 합니다. 더 대담한 베팅은 sensory substitution입니다. Bach-y-Rita & Kercel ^[21]은 인공 수용기의 정보를 피부 같은 온전한 감각 채널로 전달하면 훈련 후 대체된 감각으로 지각될 수 있다는 원리를 정립했습니다. 이는 원격 접촉 정보를 조작자의 피부로 재라우팅하는 것을 정당화하며, 2026년 6월 고려대 세미나에서 연정환이 제시한 human→human→robot 촉감 전이 구상의 신경과학적 근거입니다. 다만 이는 명명되었으나 미해결인 목표로, 어떤 프런티어 논문도 이를 end-to-end로 닫지 못했습니다.

Chapter 6에서 입력 장치로 소개한 DOGlove, DexCap, Bunny-VisionPro, AnyTeleop은 여기서 동일한 장치를 피드백 루프의 관점에서 다시 볼 수 있습니다 — 자세한 입력·캡처 메커니즘은 재설명하지 않습니다 (Chapter 6 참조). 마찬가지로 DEXOP, DexUMI 등 외골격 캡처 장치도 Chapter 6의 영역입니다. 반면 CyberGrasp는 캡처가 아니라 force-feedback 장치이므로 이 챕터가 소유하고 설명합니다.

이 wearable의 벽에 대한 근본적으로 다른 답이 AR입니다. TactAR는 actuator를 입지 않고 접촉을 3D 공간에서 "보게" 합니다 — 다음 절에서 다루는 대리(surrogate) 피드백 경로입니다.

7.5 햅틱-in-the-loop 데이터 수집과 모방학습

이 절은 보상이 나타나는 곳입니다. 조작자에게 루프를 닫으면 사람(수집 성공률·속도)과 정책(다운스트림 성공률) 모두가 좋아집니다. 증거를 효과 크기 순으로 늘어놓으면, 단발의 일화가 아니라 기울기(gradient)가 보입니다.

가장 신중한 닻은 Cuan et al.^[14]입니다. 8개의 실제 회의실 문, 6개의 IL 모델(3개는 햅틱 보조 데이터, 3개는 vision-only)을 사용한 깔끔한 통제 연구로, 햅틱 피드백이 데이터 처리량을 +6%, 정책 성공률을 평균 +11% 높였습니다. 효과는 완만하지만, 이른 시기의 통제된 증거라는 점에서 닻 역할을 합니다.

큰 효과는 정교 태스크에서 나타납니다. CDF-Glove ^[9]는 피드백 없는 원격 조작 대비 4배의 태스크 성공률을 보였고, 이 글로브 시연으로 학습한 정책은 kinesthetic teaching 대비 평균 성공률 +55%, 완료 시간 −47.2%를 기록했습니다.

KineDex ^[2]는 루프가 무엇을 더하는지를 분리해 보여줍니다. 9개 태스크 전체 74.4% 성공률 위에서, 힘 제어가 위치 제어 대비 +57.7%, 촉각 센싱이 접촉 집약 태스크에서 +26.7%를 기여했습니다. 정책 쪽에서 같은 그림을 보이는 것이 RDP/TactAR입니다 ^[23]. 힘·촉각이 루프를 닫자, 양손 들어올리기가 0.00 → 0.70, 접촉 후 외란(perturbation-after-contact) 회복이 0.19 → 0.88, 껍질 벗기기(peeling)가 0.44 → 0.95로 올랐습니다.

KAIST의 finger-linkage 수집기는 또 다른 우아한 구현입니다 ^[24]. two-jaw gripper의 턱을 조작자의 손가락이 작은 기계 링크로 직접 구동해, 별도 actuator 없이 기계적 링크 자체가 햅틱 루프가 되도록 했습니다 — 힘 transparency가 구동된 것이 아니라 기계적인 것입니다. GoPro 어안 카메라, 턱에 붙은 3D-ViTac 16×16 힘 array, 위상 주석용 버튼을 통합해 coarse-to-fine 모방학습을 지원합니다. 다만 이 시스템은 with/without-haptic ablation이 없고 단일 toy 태스크만 시연했으므로, 시스템 설계 기여로 인용하며 성공률 차이를 귀속시키지 않습니다.

여기서 세 가지 아키텍처가 분명해집니다.

• kinesthetic teaching — 사람이 곧 루프입니다(KineDex). 가장 직접적이지만 원격·위험 환경으로 확장되지 않습니다. 조작자가 손을 물리적으로 잡고 있어야 하기 때문입니다.
• teleop + 물리적 피드백 — 확장은 되지만 하드웨어(글로브·외골격)가 필요합니다(CDF-Glove, Prometheus, DOGlove).
• AR 대리 피드백 — 가장 저렴하지만 체성감각이 아닙니다(TactAR).

TactAR ^[23]는 촉각 변형/힘 필드를 로봇 말단에 "붙은" 3D 오버레이로 증강현실에 렌더링해, 조작자가 wearable actuator 없이 접촉을 3D 공간에서 지각하게 합니다. 그 위에서 동작하는 Reactive Diffusion Policy(RDP)는 느린 latent diffusion 정책으로 상위 행동 청크를, 빠른 비대칭 토크나이저로 고주파(빠른 추론 <1ms) 폐루프 촉각·힘 제어를 수행합니다. RDP의 정책 세부는 학습 챕터의 영역이며, 여기서는 피드백 루프/AR 측면만 다룹니다.

마지막으로 ManipForce ^[25]는 actuator가 아니라 표현(representation) 쪽 동기를 제공합니다. 접촉력의 frequency-aware 표현으로 contact-rich 정책을 학습하는데, 이는 접촉·충격이 단일 진폭 진동으로는 재현할 수 없는 frequency-domain 신호를 갖는다는 점을 정책 쪽에서 반영합니다 — 진폭만이 아닌 더 풍부한 피드백이 필요하다는 동기로만 인용합니다.

정직하게 말하면, 효과 크기는 +6%에서 4배까지 걸쳐 있고, 큰 수치들은 서로 다른 태스크·핸드·베이스라인에서 나온 것입니다. 이것은 공유 벤치마크가 없는 젊은 문헌의 특징이며, 7.6의 핵심 과제로 이어집니다.

7.6 한계와 과제 — 물리적 햅틱 대 대리 AR 피드백

이 챕터의 지적 보상은 7.6의 핵심 갈림길에 있습니다. 물리적 햅틱 반환 대 대리 AR 피드백. AR(TactAR)은 확장 가능하고 모든 wearable 제약을 우회하지만 시각-공간적이지 체성감각적이지 않습니다 — 조작자는 접촉을 보지만 결코 느끼지 않습니다. 물리적 햅틱은 체성감각적이지만 wearable의 벽에 막혀 있습니다. 현재 같은 비용에서 어느 쪽이 더 나은 정책을 만드는지에 대한 증거가 없습니다. 이것이 이 챕터의 가장 큰 미해결 질문입니다.

나머지 과제들을 정리하면 다음과 같습니다.

1. wearable의 벽. 무게, actuator 크기, 대역폭, 전력, 피부 자극의 범위. HaRing ^[27]은 반지 하나로, 약 2g origami 인터페이스 ^[19]는 극단적 경량으로 무게 문제를 풀지만 공간 해상도를 희생합니다. FCDEA ^[17]는 kV급 구동이 필요해 안전·착용성의 트레이드오프가 있습니다. 전손(full-hand), 고해상도, 저전력, 내구성을 모두 갖춘 피드백 장치는 아직 없습니다.

1. frequency-domain 힘은 충분히 다뤄지지 않았습니다. 접촉·충격은 단일 진폭 진동이 재현할 수 없는 스펙트럼 서명을 갖습니다 — 2026년 6월 고려대 세미나에서 박채용이 제시한 통찰이며, ManipForce ^[25]가 표현 쪽에서 같은 점을 반영합니다. 박채용의 멀티모달 HCI 햅틱 연구(모듈식 컨트롤러 HaptiCraft ^[26], 충격의 frequency-domain 모사, vibration-augmented 가상 버튼)는 텔레오퍼레이터가 로봇을 구동할 때 어떤 피드백 채널이 중요한지를 시사합니다. 진동을 넘어서는 더 풍부한 actuation이 열린 과제입니다.

1. soft 햅틱 내구성. 2026년 6월 고려대 세미나에서 차영수가 반복해 지적한 블로커로, soft wearable 피드백을 실제 텔레오퍼레이션 파이프라인에 투입하기 위해 풀어야 할 엔지니어링 문제입니다.

1. 캡처 쪽의 맹점이 피드백의 필요를 만듭니다. 글로브는 캡처하는 동안 조작자 자신의 촉각을 가립니다(DexViTac의 "glove blindness"). 즉 피드백 루프가 필요한 이유는 캡처 장치가 자연스러운 루프를 제거했기 때문입니다. 캡처와 피드백을 하나의 시스템으로 설계하는 것이 열린 과제입니다.

1. sim/human 촉각 데이터와 human→robot 체성감각 전이. Bach-y-Rita & Kercel ^[21]은 접촉을 피부로 재라우팅하는 것을 정당화하고, 연정환은 human→human→robot 촉감 전이를 명명했지만, 어떤 프런티어 논문도 이를 end-to-end로 닫지 못했습니다. 피드백 쪽을 위한 human-grade 촉각 데이터의 시뮬레이션도 미해결입니다.

1. 공유 벤치마크의 부재. +6%에서 4배에 이르는 효과 크기는 서로 비교 불가능합니다. 그리고 Lawrence ^[6]와 Niemeyer & Slotine^[7]이 정립한 고전적 안정성-transparency 트레이드오프가, networked·학습 정책 텔레오퍼레이션에서 통합된 현대적 처리 없이 다시 떠오릅니다.

이 챕터의 정직한 약점은 숨기지 않는 편이 낫습니다 — 경험적 핵심은 소수의 2024–2026년 논문에, 공유 벤치마크 없이, 서로 호환되지 않는 태스크·핸드·베이스라인에 걸친 효과 크기에 의존합니다. 그러나 그 자체가 이 분야가 막 형성되고 있다는 신호이며, 위의 과제들이 그 다음 5년의 지도를 그립니다.

다음 단계는, 이렇게 닫힌 루프로 모은 데이터로 로봇이 실제로 접촉을 제어 입력으로 읽고 조작을 학습하는 방법입니다 (→ Chapter 8: 접촉 동역학 참조). retargeting을 통한 인간→로봇 운동학 전이의 기구학적 측면은 이후 embodiment 챕터의 영역이며 (→ Chapter 15 참조), 이 챕터는 그중 감각의 반환 경로를 소유합니다.

참고문헌

1. Chen, X., Pan, Y., Li, M., & Ding, X. (2026). DexViTac: Collecting Human Visuo-Tactile-Kinematic Demonstrations for Contact-Rich Dexterous Manipulation. arXiv preprint. arXiv:2603.17851.
2. Zhang, D., Yuan, C., Wen, C., Zhang, H., Zhao, J., & Gao, Y. (2025). KineDex: Learning Tactile-Informed Visuomotor Policies via Kinesthetic Teaching for Dexterous Manipulation. arXiv preprint. arXiv:2505.01974.
3. Okamura, A. M. (2009). Haptic Feedback in Robot-Assisted Minimally Invasive Surgery. Current Opinion in Urology, 19(1):102-107.
4. Hayward, V., Astley, O. R., Cruz-Hernandez, M., Grant, D., & Robles-De-La-Torre, G. (2004). Haptic Interfaces and Devices. Sensor Review, 24(1):16-29.
5. Massie, T. H., & Salisbury, J. K. (1994). The PHANToM Haptic Interface: A Device for Probing Virtual Objects. ASME Dynamic Systems and Control Division, DSC 55-1:295-302.
6. Lawrence, D. A. (1993). Stability and Transparency in Bilateral Teleoperation. IEEE Transactions on Robotics and Automation, 9(5):624-637.
7. Niemeyer, G., & Slotine, J.-J. E. (1991). Stable Adaptive Teleoperation. IEEE Journal of Oceanic Engineering, 16(1):152-162.
8. CyberGlove Systems LLC. (2007). CyberGrasp: A Force-Reflecting Exoskeleton Glove for the Hand. CyberGlove Systems product (origin: Virtual Technologies Inc., US Navy STTR). [CyberGlove Systems, 2007]
9. CDF-Glove. (2026). CDF-Glove: A Cable-Driven Force Feedback Glove for Dexterous Teleoperation. arXiv preprint. arXiv:2603.05804. [CDF-Glove, 2026]
10. Satsevich, S., Bazhenov, A., Egorov, S., Erkhov, A., Gromakov, M., Fedoseev, A., & Tsetserukou, D. (2025). Prometheus: Universal, Open-Source Mocap-Based Teleoperation System with Force Feedback for Dataset Collection in Robot Learning. arXiv preprint. arXiv:2510.01023.
11. Jones, L. A. (1989). Matching Forces: Constant Errors and Differential Thresholds. Perception, 18(5):681-687.
12. Pang, X.-D., Tan, H. Z., & Durlach, N. I. (1991). Manual Discrimination of Force Using Active Finger Motion. Perception & Psychophysics, 49(6):531-540.
13. Choi, S., & Kuchenbecker, K. J. (2013). Vibrotactile Display: Perception, Technology, and Applications. Proceedings of the IEEE, 101(9):2093-2104.
14. Mahanthappa, M., Ko, H.-U., & Kim, S.-Y. (2024). Transparent and Flexible Actuator Based on a Hybrid Dielectric Layer of Wavy Polymer and Dielectric Fluid Mixture. peer-reviewed (PMC10819412).
15. Bau, O., Poupyrev, I., Israr, A., & Harrison, C. (2010). TeslaTouch: Electrovibration for Touch Surfaces. ACM UIST 2010, pp. 283-292.
16. Pelrine, R., Kornbluh, R., Pei, Q., & Joseph, J. (2000). High-Speed Electrically Actuated Elastomers with Strain Greater Than 100%. Science, 287(5454):836-839.
17. Youn, J.-H., Jang, S.-Y., Hwang, I., Pei, Q., Yun, S., & Kyung, K.-U. (2025). Skin-Attached Haptic Patch for Versatile and Augmented Tactile Interaction. Science Advances.
18. Jones, L. A., & Ho, H.-N. (2008). Warm or Cool, Large or Small? The Challenge of Thermal Displays. IEEE Transactions on Haptics, 1(1):53-70.
19. Min, S., et al., & Cha, Y. (2025). Ultralight Soft Wearable Haptic Interface with Shear-Normal-Vibration Feedback. Advanced Intelligent Systems. doi:10.1002/aisy.202500374. [Min et al., 2025]
20. Pacchierotti, C., Sinclair, S., Solazzi, M., Frisoli, A., Hayward, V., & Prattichizzo, D. (2017). Wearable Haptic Systems for the Fingertip and the Hand: Taxonomy, Review, and Perspectives. IEEE Transactions on Haptics, 10(4):580-600.
21. Bach-y-Rita, P., & Kercel, S. W. (2003). Sensory Substitution and the Human-Machine Interface. Trends in Cognitive Sciences, 7(12):541-546.
22. Cuan, C., Okamura, A. M., & Khansari, M. (2024). Leveraging Haptic Feedback to Improve Data Quality and Quantity for Deep Imitation Learning Models. IEEE Transactions on Haptics. doi:10.1109/TOH.2024.3384482.
23. Xue, H., Ren, J., Chen, W., Zhang, G., Fang, Y., Gu, G., Xu, H., & Lu, C. (2025). Reactive Diffusion Policy: Slow-Fast Visual-Tactile Policy Learning for Contact-Rich Manipulation (TactAR). RSS 2025. arXiv:2503.02881.
24. Kim, Y., Oh, N., Park, J., Thamronglak, T., & Park, D. (2026). A Visuo-Tactile Data Collection System with Haptic Feedback for Coarse-to-Fine Imitation Learning. arXiv preprint. arXiv:2605.08757.
25. Lee, G., Lee, Y., Kim, K., Lee, S., Noh, S., Back, S., & Lee, K. (2025). ManipForce: Force-Guided Policy Learning with Frequency-Aware Representation for Contact-Rich Manipulation. arXiv preprint. arXiv:2509.19047. [Lee et al., 2025]
26. Park, C., et al. (2026a). HaptiCraft: A Modular Multimodal Haptic Controller for Immersive Virtual Reality Interactions. IEEE TVCG 2026. [Park et al., 2026a]
27. Park, C., et al. (2026b). HaRing: A Haptic Ring Interface for One-Handed Interaction with High-Dimensional Spatial Information. ACM CHI 2026. [Park et al., 2026b]