Physicl, 로봇 시뮬레이션과 현실의 간극 좁히려 1,000만 달러 조달

들어가며

로봇이 현실에서 안정적으로 작동하려면 정돈된 환경에서 물체를 인식하는 능력만으로는 부족하다. 물체가 다른 물건에 가려져 있거나 그림자 속에 놓여 있거나, 주변이 어지럽게 정리된 경우에도 대응해야 한다. Physicl은 보다 현실적인 디지털 환경을 만들어 로봇 개발의 오랜 과제인 ‘시뮬레이션과 현실 사이의 간극’을 줄이려 한다. 회사는 Inovia Capital이 주도한 1,000만 달러 규모의 시드 투자를 유치했다.

이커머스 3D 기술의 전환

Physicl의 창업자 겸 CEO인 Alex de Vigan은 지난 10년간 nfinite를 이끌었다. nfinite는 브랜드와 유통업체가 상품을 3D 모델로 만들고 온라인에 전시할 수 있도록 돕는 회사였다. 생성형 AI 이미지 기술이 확산되면서 기존 사업 환경이 바뀌자, de Vigan은 팀이 쌓은 3D 자산 구축과 장면 생성, 사실적인 렌더링 역량을 AI의 공간 이해와 물체 조작에 활용할 수 있다고 봤다.

로봇을 영상 데이터만으로 학습시키는 방식은 어려운 상황을 충분히 다루지 못할 수 있고, 원격 조작을 통해 실제 데이터를 수집하는 방법은 비용이 높다. 시뮬레이션은 대안이 될 수 있지만, 가상 환경의 기하 구조와 재질, 조명, 물리적 움직임이 현실과 크게 다르면 시뮬레이션에서 성공한 모델이 실제 로봇에서는 실패할 수 있다.

Physicl은 불완전하고 이질적인 현실 정보를 고정밀 3D 표현으로 바꾸고, 그 위에서 대량의 학습 시나리오를 생성하는 접근법을 취한다.

Studio가 제공하는 기능

• 환경과 자산 라이브러리: Studio에는 1만 개의 3D 환경과 다양한 물체를 나타내는 10만 개의 자산이 들어 있다.
• 예외 상황 중심의 생성: 어수선한 조리대 위의 컵이나 그림자에 놓인 컵을 식별하는 것과 같은 문제를 겨냥한 데이터를 만들 수 있다.
• 지속적인 합성 데이터 생성: 단순한 일회성 데이터 공급자가 아니라, 학습 과정에서 드러난 약점에 맞춰 새로운 장면을 생성하는 도구 계층을 목표로 한다.
• SpAItial과의 협력: 2D 이미지에서 3D 시뮬레이션을 만드는 SpAItial은 Echo-3를 비롯한 시스템에 활용할 합성 데이터의 충실도를 높이기 위해 Physicl과 협력했다.

의미와 남은 과제

Physicl이 진입한 시장은 데이터 수집과 라벨링, 합성 데이터 생성, 로봇 및 기초 모델 개발 도구가 뒤섞여 있어 아직 경계가 뚜렷하지 않다. Physicl은 일반적인 데이터로 모델을 학습한 뒤에도 남는 어려운 엣지 케이스, 즉 후학습 단계의 문제에 집중하려 한다.

이 접근은 단순히 데이터 양을 늘리는 것과 다르다. 학습 결과를 분석해 모델이 취약한 장면을 찾고, 그에 맞춰 배치나 조명, 물체 형태가 달라진 데이터를 추가로 생성할 수 있다면 합성 데이터는 미리 만들어 두는 정적 라이브러리가 아니라 학습 루프의 일부가 될 수 있다.

물론 해결해야 할 문제도 남아 있다. 시뮬레이션이 실제 물리 법칙을 얼마나 정확하게 반영하는지, 생성된 사례가 실제 성능 개선으로 이어지는지, 가상 환경에서 학습한 모델이 하드웨어로 안정적으로 이전되는지가 핵심이다. 이커머스 3D 렌더링에서 출발한 Physicl의 행보는 로봇 산업의 경쟁이 데이터 규모뿐 아니라 환경과 학습 과정을 얼마나 정밀하게 설계하느냐로 이동하고 있음을 보여준다.

출처: TechCrunch AI