4.4.2 소프트 로보틱스 (Soft Robotics): 유연한 소재를 통한 안전성 확보와 비정형 물체 파지(Grasping)

1. 서론: 강체 로보틱스의 한계와 유연한 패러다임의 부상

지난 반세기 동안 산업 현장을 지배해 온 로봇 시스템은 고강성(High Stiffness) 금속 소재와 고정밀 모터를 기반으로 한 강체 로봇(Rigid Robot)이었다. 이들은 정의된 작업 공간 내에서 사전에 프로그래밍된 궤적을 오차 없이 반복 수행하는 데 탁월한 성능을 발휘한다. 그러나 이러한 강체 시스템은 본질적으로 환경의 불확실성에 취약하며, 인간과 같은 공간에서 협업해야 하는 물리적 인간-로봇 상호작용(pHRI, Physical Human-Robot Interaction) 환경에서는 잠재적인 흉기가 될 수 있다는 구조적 한계를 안고 있다.1 강체 로봇의 높은 관성 모멘트와 강성은 충돌 시 운동 에너지를 대상에게 그대로 전달하며, 이를 방지하기 위해서는 고가의 토크 센서와 복잡한 충돌 회피 알고리즘, 그리고 물리적인 안전 펜스가 필수적이다.3

이러한 배경 속에서 등장한 소프트 로보틱스(Soft Robotics)는 생물체의 유연한 조직과 움직임에서 영감을 받아, 로봇의 신체(Bodyware) 자체를 실리콘, 하이드로겔, 직물(Fabric)과 같은 유연한 소재(Compliant Material)로 구성하는 혁신적인 패러다임을 제시한다.4 소프트 로봇의 핵심 철학은 **‘내재적 안전성(Intrinsic Safety)’**과 **‘형태적 적응성(Morphological Adaptability)’**으로 요약된다. 유연한 소재는 외부 충격 에너지를 수동적으로 흡수하고 분산시킴으로써 별도의 제어 개입 없이도 안전을 담보하며, 이론적으로 무한한 자유도(Infinite Degrees of Freedom)를 통해 비정형 물체의 형상에 스스로를 맞추는(Conform) 능력을 발휘한다.1

본 장에서는 소프트 로보틱스 기술이 어떻게 유연한 소재를 통해 기계적 안전성을 확보하고, 기존 강체 그리퍼로는 불가능했던 비정형 및 연성 물체 파지(Grasping) 문제를 해결하는지 심층적으로 분석한다. 특히, 핀 레이 효과(Fin Ray Effect), 재밍 전이(Jamming Transition), 공압 네트워크(PneuNets) 등 핵심 구동 원리의 역학적 메커니즘을 상세히 규명하고, 최근 대두되고 있는 미분 가능한 물리 시뮬레이션(Differentiable Physics)과 데이터 기반 잔차 학습(Residual Physics Learning), 그리고 심층 강화학습(Deep Reinforcement Learning)을 통한 제어 지능화의 최신 연구 동향(2024-2025)을 포괄적으로 다룬다.7

2. 유연한 소재를 통한 내재적 안전성 (Intrinsic Safety) 메커니즘

2.1 기계적 컴플라이언스와 충격 에너지 소산 역학

소프트 로봇의 안전성은 제어 알고리즘의 루프 속도나 센서의 민감도 이전에, 로봇을 구성하는 물질의 물성 그 자체에서 비롯된다. 이를 내재적 안전성이라 정의하며, 이는 시스템의 전원 공급이 차단되거나 제어 불능 상태에 빠지더라도 물리적 법칙에 의해 안전이 보장됨을 의미한다.1

2.1.1 충돌 역학 및 에너지 흡수

강체 로봇과 인간의 충돌 시나리오에서, 전달되는 충격력(Impact Force, F)은 운동량의 변화율(\Delta p / \Delta t)에 비례한다. 강체 링크는 변형이 거의 발생하지 않으므로 충돌 시간(\Delta t)이 극도로 짧아, 결과적으로 F가 급격히 상승하여 인체에 심각한 상해를 입힐 수 있다. 반면, 영률(Young’s Modulus)이 낮은 엘라스토머(Elastomer) 기반의 소프트 로봇은 충돌 시 소재가 탄성 변형을 일으키며 충돌 시간을 지연시키는 효과를 가져온다. 이는 자동차의 에어백이나 크럼플 존(Crumple Zone)과 유사한 원리로, 운동 에너지를 재료의 탄성 퍼텐셜 에너지로 변환 및 저장하고, 점탄성(Viscoelasticity) 특성을 통해 일부 에너지를 열로 소산(Dissipation)시킨다.1

연구 결과에 따르면, 로봇의 관절 컴플라이언스(Joint Compliance)를 능동 제어로 높이는 것(예: 임피던스 제어)은 한계가 있으며, 로봇 링크 자체의 질량과 속도가 안전에 더 지배적인 영향을 미친다.1 소프트 로봇은 주로 공압이나 유압으로 구동되어 무거운 모터나 감속기가 구동부(End-effector)에 위치하지 않고 기저부(Base)에 위치하는 경우가 많아, 가동부의 유효 질량(Effective Mass)이 현저히 낮다. 이러한 저관성(Low Inertia) 특성은 ’채찍 효과(Whiplash Effect)’와 같은 급가속 상황에서도 충격량(Impulse)을 최소화하여 pHRI 환경에서의 안전성을 극대화한다.2

2.1.2 소재 파손과 안전 설계 고려사항

그러나 ’부드러움’이 절대적인 안전을 의미하지는 않는다. 공압 구동기(Pneumatic Actuator) 내부에 저장된 고압의 기체는 로봇의 파열(Rupture) 시 폭발적인 에너지 방출을 유발할 수 있다. 특히 실리콘과 같은 초탄성(Hyperelastic) 소재는 찢어짐(Tearing)에 취약하여, 미세한 균열이 고압 환경에서 급격한 파단으로 이어질 수 있다.1 이를 방지하기 위해 다음과 같은 설계 전략이 필수적이다:

• 변형 제한 층(Strain Limiting Layer) 및 덮개(Sheath): 케블라(Kevlar)와 같은 고강도 섬유를 팽창 챔버 외부에 적용하여, 로봇의 최대 팽창 범위를 물리적으로 제한하고 파열 시 파편의 비산을 방지한다.1
• 압력 차단 시스템(Pressure Arrest System): 챔버 내부 압력이 임계치를 초과하거나 급격한 압력 강하(파열 징후)가 감지될 경우 즉시 배기하는 안전 밸브 시스템의 통합이 요구된다.1
• 수명 예측 및 뮬린스 효과(Mullins Effect) 관리: 엘라스토머는 초기 몇 번의 사이클 동안 응력-변형률 곡선이 변하는 뮬린스 효과를 겪으며, 장기간 사용 시 노화로 인해 기계적 물성이 저하된다. 따라서 설계 단계에서부터 피로 한도(Fatigue Limit)를 고려한 FEM 해석과 주기적인 컷(Cut) 및 누출(Leakage) 검사가 수반되어야 한다.1

2.2 인간-로봇 공존과 SoftSAR (Soft Social Assistive Robotics)

소프트 로보틱스는 물리적 접촉을 허용하는 것을 넘어, 접촉을 통해 기능을 수행하는 새로운 어플리케이션을 창출한다. SoftSAR는 이러한 개념을 사회적 보조 로봇(Social Assistive Robot)에 적용한 것으로, 기존의 딱딱한 소셜 로봇이 제공하지 못한 ’촉각적 교감’을 가능하게 한다.5

• 안전한 신체 접촉: 사용자는 SoftSAR를 껴안거나 쓰다듬을 수 있으며, 로봇은 유연한 표면을 통해 온열감, 진동, 혹은 호흡과 유사한 팽창/수축 움직임을 전달하여 심리적 안정감을 제공한다. 이는 치매 노인이나 자폐 아동을 위한 치료용 로봇에서 특히 중요한 기능이다.
• 비언어적 커뮤니케이션: 소프트 구동기는 형태 변화(Shape Change)나 색상 변화(Color Change, 예: 유체 색상 변경)를 통해 로봇의 의도나 감정 상태를 직관적으로 표현하는 새로운 인터페이스로 활용될 수 있다.5

3. 비정형 물체 파지(Grasping)를 위한 소프트 메커니즘 혁신

비정형 물체 파지는 소프트 로보틱스가 강체 로보틱스를 압도하는 가장 대표적인 영역이다. 강체 그리퍼는 대상의 정확한 3D 모델링과 위치 정렬, 그리고 정교한 힘 제어가 없으면 파지에 실패하거나 대상 물체를 손상시킬 위험이 크다. 반면, 소프트 그리퍼는 대상의 형상에 맞춰 스스로 변형되는 **수동적 순응성(Passive Compliance)**을 통해 제어의 복잡성을 획기적으로 낮춘다.11

3.1 핀 레이 효과 (Fin Ray Effect): 생체 모방의 정수

**핀 레이 효과(Fin Ray Effect)**는 1997년 생물학자 Leif Kniese가 물고기 지느러미의 움직임에서 발견한 기하학적 원리이다. 물고기 지느러미를 측면에서 누르면, 지느러미는 힘을 피하는 방향이 아니라 힘이 가해지는 방향(물체 쪽)으로 굽혀진다. 이 역설적인 거동은 핀 레이 그리퍼가 물체를 감싸 쥐는(Enveloping) 동작을 구현하는 핵심 원리이다.11

3.1.1 구조 및 작동 원리

핀 레이 구조는 두 개의 탄성 빔(Strut)이 V자 형태로 만나고, 그 사이를 일정한 간격의 갈비뼈(Crossbeam)가 연결하는 A-프레임 구조를 가진다. 측면에서 외력이 가해지면, 압력을 받는 쪽의 빔이 변형되면서 반대쪽 빔을 당기게 되고, 내부의 갈비뼈들이 힌지 역할을 하며 구조 전체가 외력의 작용점 방향으로 굽혀지는 좌굴(Buckling) 현상이 발생한다.

• 장점: 별도의 관절 모터나 복잡한 센서 피드백 없이도, 그리퍼가 물체에 닿는 순간 자연스럽게 물체의 형상을 따라 변형된다(Conformability). 이는 깨지기 쉬운 달걀부터 불규칙한 모양의 돌, 미끄러운 과일 등 다양한 물체를 단일 그리퍼로 파지할 수 있게 한다.11
• TIHRA 그리퍼의 최적화 사례: 기존의 대칭형 핀 레이 구조는 파지력이 약하다는 단점이 있었다. 이를 개선하기 위해 개발된 TIHRA (Tele-operable In-Home Robotic Assistant) 그리퍼는 크로스빔의 각도를 비대칭으로 설계하여 ’선호 굽힘 방향(Preferred Bending Direction)’을 부여했다. 연구 결과, 이 비대칭 설계는 기존 대칭형 대비 동일한 외력에서 15% 더 큰 변형을 일으키며, **파지 하중(Payload)을 40% (약 560g)**까지 증가시키는 성과를 입증했다.11 이는 소프트 그리퍼의 형상 최적화가 성능에 미치는 지대한 영향을 보여주는 사례이다.

3.2 재밍 전이 (Jamming Transition): 유체와 고체의 이중성

**재밍(Jamming)**은 입자(Granular), 층(Layer), 섬유(Fiber) 등의 집합체가 밀도 변화에 따라 유체와 같은 상태에서 고체와 같은 상태로 급격히 변화하는 물리적 상전이(Phase Transition) 현상을 이용한다.12

3.2.1 재밍의 유형과 특성 비교

재밍 그리퍼는 특히 가변 강성(Variable Stiffness) 구현에 탁월하다. 수술용 로봇이나 탐사 로봇에서 좁은 공간을 통과할 때는 유연하게(Soft), 작업을 수행할 때는 단단하게(Rigid) 변해야 하는 요구사항을 완벽히 충족시킨다.12 최근 연구에서는 입자 재밍과 흡착(Suction)을 결합하여, 수중이나 젖은 환경에서도 미끄러짐 없이 파지할 수 있는 하이브리드 그리퍼나, 극저온(-196°C) 환경에서도 작동하는 금속 기반 재밍 구조가 개발되어 우주 탐사 분야로의 응용 가능성을 열었다.14

3.3 공압 네트워크 (Pneumatic Networks, PneuNets): 고속 구동의 진화

PneuNets는 엘라스토머 내부에 설계된 복잡한 채널(Channel) 네트워크에 유체(주로 공기)를 주입하여 팽창시키는 방식이다.10

3.3.1 구동 원리와 Fast PneuNet

기본적인 원리는 ’비대칭 팽창’이다. 늘어나는 층(Extensible Layer)과 늘어나지 않는 층(Strain Limiting Layer)을 접합한 구조에 공기를 주입하면, 늘어나는 쪽이 팽창하면서 늘어나지 않는 쪽으로 구조 전체가 굽혀진다.

• Fast PneuNet: 초기 모델은 팽창에 많은 공기 부피가 필요하여 반응 속도가 느렸다(수 초 소요). 이를 개선한 Fast PneuNet은 챔버 사이의 간격을 넓히고 내부 부피를 최소화하여, 50ms 이내의 빠른 반응 속도로 완전한 굽힘 동작을 구현한다.17
• 하이브리드 보강: 순수 실리콘 소재만으로는 무거운 물체를 파지할 때 힘이 부족하거나 비틀리는 현상이 발생한다. 이를 해결하기 위해 챔버 사이에 경성(Rigid) 지지대를 삽입하거나 유리 섬유(Fiber Reinforcement)를 감는 방식이 도입되었다. 연구 결과, 경성 지지대가 포함된 하이브리드 그리퍼는 순수 소프트 그리퍼 대비 **150% ± 20% 증가된 파지력(Lifting Force)**을 발휘하여 672g의 금속 렌치를 안정적으로 들어 올리는 데 성공했다.18

3.4 최신 파지 기술의 융합 (2024-2025 동향)

최근 연구는 단일 메커니즘의 한계를 극복하기 위해 복합적인 접근을 시도한다.

• PneuNet + Layer Jamming: PneuNet으로 빠르게 물체에 접근하여 감싼 후, Layer Jamming을 활성화하여 굽혀진 상태의 강성을 높여(Locking) 에너지 소모 없이 파지 상태를 유지하는 기술이 개발되었다. 이는 파지 성공률을 90% 이상으로 끌어올렸다.20
• 지능형 감지 통합: 파지 과정에서 물체의 경도나 미끄러짐을 감지하기 위해, 그리퍼 내부에 액체 금속(eGaIn) 센서나 광학 센서를 내장하여 **고유수용성 감각(Proprioception)**을 부여하는 연구가 활발하다. 이는 소프트 그리퍼가 단순한 액추에이터를 넘어 환경을 인지하는 센서 역할을 동시에 수행함을 의미한다.14

4. 모델링 및 시뮬레이션의 난제와 미분 가능한 물리 (Differentiable Physics)

소프트 로봇의 가장 큰 난제는 모델링이다. 유한한 수의 관절을 가진 강체 로봇과 달리, 소프트 로봇은 연속체(Continuum)로서 이론적으로 **무한한 자유도(Infinite DoF)**를 가지며, 소재의 비선형성(Nonlinearity), 히스테리시스, 대변형(Large Deformation) 특성으로 인해 기존의 강체 동역학 모델(Rigid Body Dynamics)을 적용할 수 없다.6

4.1 기존 모델링의 한계와 데이터 기반 접근

초기에는 계산 효율성을 위해 **상수 곡률(Constant Curvature, CC)**이나 부분 상수 곡률(Piecewise Constant Curvature, PCC) 모델과 같은 기구학적 근사를 사용했다. 그러나 이러한 모델은 로봇이 외력을 받거나 중력에 의해 처질 때, 그리고 복잡한 S자 굽힘 등이 발생할 때 실제 거동을 예측하지 못하는 큰 오차를 보였다.24 이에 대한 대안으로 유한요소법(FEM)이 사용되었으나, 높은 계산 비용으로 인해 실시간 제어에는 부적합했다.

이를 극복하기 위해 신경망(Neural Networks)을 이용한 **데이터 기반 모델링(Data-Driven Modeling)**이 대두되었다. LSTM이나 트랜스포머와 같은 시계열 모델을 사용하여 로봇의 입출력 관계를 학습시키는 방식이다. 하지만 이 역시 훈련 데이터 범위를 벗어난 상황에서는 성능이 급격히 저하되는 일반화(Generalization) 문제를 안고 있다.26

4.2 미분 가능한 물리 시뮬레이션 (Differentiable Physics)의 혁명

2024년과 2025년 소프트 로보틱스 연구의 가장 큰 화두는 **미분 가능한 물리 시뮬레이터(Differentiable Physics Simulator)**의 도입이다.7 기존 시뮬레이터는 시뮬레이션 결과(출력)를 제어 입력(입력)으로 미분하기 위해 수치적 미분(Finite Difference)을 사용해야 했으며, 이는 계산량이 많고 부정확했다. 반면, 미분 가능한 시뮬레이터(예: DiffPD, Brax, DiffTaichi)는 시뮬레이션의 모든 연산 과정이 체인 룰(Chain Rule)을 통해 미분 가능하도록 설계되어 있다.

• DiffPD (Differentiable Projective Dynamics): 투영 동역학(Projective Dynamics)을 기반으로 한 이 시뮬레이터는 암시적 시간 적분(Implicit Time Integration)을 사용하여 빠르고 안정적이다. 핵심은 시스템 행렬의 **Cholesky 분해를 사전 계산(Prefactorization)**하여 재사용함으로써 순전파 속도를 높이고, 역전파를 통해 물리 파라미터에 대한 손실 함수(Loss Function)의 기울기(Gradient)를 해석적으로(Analytically) 계산한다는 점이다.29
• 성과: DiffPD는 접촉과 마찰이 있는 복잡한 상황에서도 표준 뉴턴 방법 대비 4~19배 빠른 속도로 시스템 식별 및 궤적 최적화를 수행할 수 있다.29 이는 수천 번의 시행착오가 필요한 강화학습 과정을, 그래디언트 정보를 이용한 직접 최적화로 전환하여 학습 효율을 획기적으로 높인다.28
• 접촉 처리의 진보: 2025년 발표된 연구 23는 비평활(Nonsmooth) 접촉 역학을 미분 가능한 FEM 프레임워크에 통합하여, 충돌과 마찰이 빈번한 소프트 로봇 조작 작업의 제어 수렴 속도를 크게 향상시켰다.23

4.3 Sim-to-Real 격차 해소: 잔차 물리학 (Residual Physics)

아무리 정교한 시뮬레이터라도 실제 세계의 복잡성(제조 공차, 미세한 마찰, 공압 호스의 당김 등)을 완벽히 모사할 수는 없다. 이로 인한 Sim-to-Real Gap을 줄이기 위해 잔차 물리학(Residual Physics) 개념이 도입되었다.8

• 하이브리드 접근: FEM 시뮬레이터가 예측하는 이상적인 물리 거동(Prior)에, 딥러닝 모델이 예측한 ’잔차 힘(Residual Force)’을 더하는 방식이다. 즉, F_{real} = F_{sim} + F_{residual}(learned) 구조를 가진다.
• 희소 데이터 활용: 8의 연구에 따르면, 실제 로봇에 부착된 약 10개의 희소한(Sparse) 마커 데이터만으로도, 수천 개의 노드를 가진 전체 FEM 메쉬의 변형을 정밀하게 보정할 수 있다. 이는 복잡한 시스템 식별(System ID) 과정을 거치지 않고도, 데이터 기반 학습을 통해 모델링 오차를 실시간으로 상쇄하는 실용적인 솔루션을 제공한다.31

5. 지능형 제어와 형태적 계산 (Morphological Computation)

소프트 로봇의 무한 자유도를 제어하는 것은 ’악몽’에 비유되곤 했다. 그러나 최근의 AI 기술은 이러한 난제를 해결할 뿐만 아니라, 소프트 로봇의 신체 특성을 계산의 자원으로 활용하는 새로운 지평을 열고 있다.

5.1 심층 강화학습 (DRL): Soft Actor-Critic (SAC)의 부상

전통적인 제어 이론이 적용되기 어려운 소프트 로봇 분야에서 **심층 강화학습(DRL)**은 사실상의 표준(De facto standard) 제어 기법으로 자리 잡았다.4 그중에서도 Soft Actor-Critic (SAC) 알고리즘이 독보적인 성능을 보여주는데, 이는 소프트 로봇의 특성과 완벽하게 부합하는 목적 함수를 가지기 때문이다.32

• 최대 엔트로피 강화학습: SAC는 단순히 보상(Reward)을 최대화하는 것을 넘어, 정책의 **엔트로피(Entropy, 행동의 무작위성)**를 함께 최대화한다.
  J(\pi) = \sum_{t} \mathbb{E}_{(s_t, a_t) \sim \rho_\pi} [r(s_t, a_t) + \alpha H(\pi(\cdot|s_t))]
  여기서 \alpha는 엔트로피의 중요도를 조절하는 온도 파라미터이다. 높은 엔트로피는 로봇이 한 가지 최적해에 갇히지 않고 다양한 동작을 탐험(Exploration)하게 유도한다. 이는 마찰이나 외란, 모델링 오차가 큰 소프트 로봇 환경에서 로봇이 예기치 못한 상황에서도 강인한(Robust) 대응 능력을 갖추게 한다.32

• 최신 응용 사례 (2025): SAC는 쿼드러필드 로봇의 생체 모방 보행 학습이나 35, 다중 소프트 로봇 팔을 이용한 박스 운반과 같은 복잡한 협업 작업 36에서 탁월한 샘플 효율성과 안정성을 입증했다. 특히 LSTM과 결합하여 동적인 장애물을 회피하는 내비게이션 성능을 높인 연구도 보고되었다.37

5.2 형태적 계산 (Morphological Computation): 신체가 곧 뇌다

소프트 로보틱스의 철학적 근간은 **‘형태적 계산(Morphological Computation)’**이다. 이는 제어기(Brain)가 수행해야 할 복잡한 연산 부하를 로봇의 신체(Body)가 가진 물리적 특성(탄성, 댐핑, 기하학적 구조)에 이양(Outsource)하는 개념이다.39

• No-brainer 로봇: 2024년 발표된 획기적인 연구 42는 중앙 제어 장치(뇌) 없이, 자극에 반응하여 수축/팽창하는 반응형 소재(Reactive Material)의 배치만으로 로봇이 환경 신호에 따라 논리 게이트(Logic Gate, AND/OR/NOT) 연산을 수행하고 이동 방향을 결정하는 적응형 행동을 구현했다. 이는 로봇의 지능이 전자 회로에만 존재하는 것이 아니라 물질 그 자체에 내재될 수 있음을 증명한 사례이다.
• 공진화(Co-evolution): 형태와 제어는 분리될 수 없다. 최신 연구들은 유전 알고리즘(Genetic Algorithm)이나 미분 가능한 설계를 통해 로봇의 **형태(Morphology)와 제어기(Controller)를 동시에 최적화(Co-design)**하는 방향으로 나아가고 있다.43 예를 들어, 특정 작업을 가장 잘 수행할 수 있는 다리의 개수, 길이, 재질 분포를 AI가 스스로 설계하고, 그에 맞는 제어 정책을 함께 학습하는 것이다.

5.3 End-to-End 학습과 전신 조작 (Whole-Body Manipulation)

과거의 로봇 조작이 손끝(End-effector)에 집중되었다면, 소프트 로봇은 팔, 몸통 등 신체 전체를 활용하여 물체를 감싸 안는 **전신 조작(Whole-Body Manipulation)**으로 진화하고 있다.36 이는 사람이 큰 짐을 들 때 팔 전체를 사용하는 것과 유사하다.

• End-to-End Visuomotor Control: 카메라의 픽셀 입력을 받아 모터의 공압/토크 명령을 직접 출력하는 신경망(End-to-End) 학습이 적용되고 있다. 36의 연구에서는 두 개의 소프트 로봇 팔이 협력하여 다양한 크기와 무게의 박스를 안아 올리는 작업을 강화학습으로 구현했으며, 시뮬레이션에서 학습된 정책을 실제 로봇에 Zero-shot으로 전이하는 데 성공했다(성공률 88%).
• 비전-언어-행동(VLA) 모델: 2025년에는 대규모 언어 모델(LLM)과 로봇 제어를 결합한 VLA(Vision-Language-Action) 모델이 소프트 로봇에도 도입되고 있다. Open X-Embodiment와 같은 대규모 데이터셋을 통해 학습된 모델은 “빨간색 부드러운 인형을 조심스럽게 집어줘“와 같은 자연어 명령을 이해하고, 소프트 로봇의 특성에 맞는 제어 신호를 생성하는 수준에 도달하고 있다.45

6. 결론 및 향후 전망

소프트 로보틱스는 ’부드러움’이라는 물성적 특징을 통해 기존 강체 로봇이 해결하지 못한 안전성과 비정형 물체 조작의 난제를 혁신적으로 해결하고 있다. 핀 레이, 재밍, PneuNets와 같은 독창적인 메커니즘은 복잡한 센서 피드백 없이도 고도의 적응성을 구현했으며, 이는 농업, 의료, 물류, 서비스 등 비정형 환경에서의 로봇 적용 가능성을 대폭 확장시켰다.

특히 2024-2025년은 소프트 로봇의 고질적인 문제였던 모델링과 제어의 불확실성이 **미분 가능한 물리 시뮬레이션(DiffPD)**과 심층 강화학습(SAC), 그리고 **잔차 물리학(Residual Physics)**의 융합을 통해 기술적 특이점을 맞이한 시기이다. 이제 소프트 로봇은 단순한 수동적 순응성을 넘어, 신체와 뇌가 유기적으로 결합된 **체화된 지능(Embodied Intelligence)**체로 진화하고 있다.

향후 연구는 실험실 환경을 벗어나 실제 산업 현장과 가정에 투입될 수 있는 내구성(Durability) 확보, 센서-액추에이터가 통합된 지능형 소재(Intelligent Matter)의 개발, 그리고 인간과 정서적으로 교감하는 SoftSAR 기술의 고도화로 이어질 것이다. 소프트 로보틱스는 로봇을 차가운 기계에서 따뜻하고 안전한 파트너로 재정의하는 핵심 기술로서, 미래 로봇 공학의 중추적인 역할을 담당할 것이다.

7. 참고 자료

1. On Intrinsic Safety of Soft Robots - Frontiers, https://www.frontiersin.org/journals/robotics-and-ai/articles/10.3389/frobt.2017.00005/full
2. Soft is Safe: Human-Robot Interaction for Soft Robots - arXiv, https://arxiv.org/pdf/2502.01256
3. Encoding the Enforcement of Safety Standards into Smart Robots to …, https://www.cambridge.org/core/journals/european-journal-of-risk-regulation/article/encoding-the-enforcement-of-safety-standards-into-smart-robots-to-harness-their-computing-sophistication-and-collaborative-potential-a-legal-risk-assessment-for-european-union-policymakers/E2C8474CDDC9020124C4836EC5638077
4. A Comprehensive Survey of Deep Reinforcement Learning …, https://www.sciepublish.com/article/pii/789
5. SoftSAR: The New Softer Side of Socially Assistive Robots—Soft …, https://www.mdpi.com/1424-8220/23/1/432
6. Domain Randomization for Robust, Affordable and Effective Closed …, https://arxiv.org/html/2303.04136v2
7. Differentiable Information Enhanced Model-Based Reinforcement …, https://arxiv.org/html/2503.01178v1
8. Sim-to-Real of Soft Robots With Learned Residual Physics, https://www.researchgate.net/publication/383361106_Sim-to-Real_of_Soft_Robots_with_Learned_Residual_Physics
9. Nonlinear Spectral Modeling and Control of Soft-Robotic Muscles …, https://arxiv.org/html/2601.03247v1
10. Grasping with a soft glove: intrinsic impedance control in pneumatic …, https://research.manchester.ac.uk/files/51574275/Pneunet.pdf
11. Fin Ray® Effect Inspired Soft Robotic Gripper - CORE, https://files.core.ac.uk/download/pdf/82890611.pdf
12. A Review of Jamming Actuation in Soft Robotics - MDPI, https://www.mdpi.com/2076-0825/9/4/104
13. A Review of Jamming Actuation in Soft Robotics - ResearchGate, https://www.researchgate.net/publication/346240297_A_Review_of_Jamming_Actuation_in_Soft_Robotics
14. Top 39 Soft robotics papers published in 2025 - SciSpace, https://scispace.com/journals/soft-robotics-1wq4iuyd/2025
15. A Universal Gripper with Synergistic Suction–Grasping Capabilities …, https://arxiv.org/html/2510.04585v1
16. Pneumatic Soft Robots: Challenges and Benefits - MDPI, https://www.mdpi.com/2076-0825/11/3/92
17. Pneumatic Networks for Soft Robotics that Actuate Rapidly, https://www.researchgate.net/publication/260306268_Pneumatic_Networks_for_Soft_Robotics_that_Actuate_Rapidly
18. A Hybrid Gripper With Soft Material and Rigid Structures - SciSpace, https://scispace.com/pdf/a-hybrid-gripper-with-soft-material-and-rigid-structures-40kiwrsac2.pdf
19. The Enhanced Adaptive Grasping of a Soft Robotic Gripper Using …, https://www.mdpi.com/2571-5577/7/1/15
20. PneuNet Based Hybrid Soft Gripper for Multi-Shape Object Handling, https://ieeexplore.ieee.org/iel8/6287639/10380310/10792893.pdf
21. PneuNet Based Hybrid Soft Gripper for Multi-Shape Object Handling, https://www.researchgate.net/publication/386903160_PneuNet_Based_Hybrid_Soft_Gripper_for_Multi-Shape_Object_Handling
22. Advanced Design of Soft Robots with Artificial Intelligence - PMC - NIH, https://pmc.ncbi.nlm.nih.gov/articles/PMC11176285/
23. Differentiable Simulation of Soft Robots with Frictional Contacts, https://arxiv.org/pdf/2501.18956
24. RL-based Adaptive Controller for High Precision Reaching in a Soft …, https://ieeexplore.ieee.org/iel7/8860/4359257/10478622.pdf
25. An End-to-End Framework for Modeling Pneumatic Soft Robots …, https://www.researchgate.net/publication/396962868_An_End-to-End_Framework_for_Modelling_Pneumatic_Soft_Robots_Based_on_Differentiable_Finite_Element_Methods
26. Data-driven modeling and identification of a bistable soft-robot …, https://www.frontiersin.org/journals/robotics-and-ai/articles/10.3389/frobt.2025.1546945/full
27. Data-Driven Methods Applied to Soft Robot Modeling and Control, https://www.researchgate.net/publication/379139380_Data-Driven_Methods_Applied_to_Soft_Robot_Modeling_and_Control_A_Review
28. A Differentiable Physical Simulation Framework for Soft Robots on…, https://openreview.net/forum?id=pUKJWr5zOE
29. DiffPD: Differentiable Projective Dynamics, https://diffpd.csail.mit.edu/
30. Sim-to-Real of Soft Robots with Learned Residual Physics - arXiv, https://arxiv.org/html/2402.01086v2
31. Sim-to-Real of Soft Robots With Learned Residual Physics, https://www.research-collection.ethz.ch/bitstreams/18b2ccb3-0e7a-46a1-8557-c9f4c6f5bb87/download
32. Soft Actor-Critic (SAC) – AI Robotics - Reinforcement Learning Path, https://www.reinforcementlearningpath.com/soft-actor-critic-sac
33. [PDF] Soft Actor-Critic Algorithms and Applications - Semantic Scholar, https://www.semanticscholar.org/paper/Soft-Actor-Critic-Algorithms-and-Applications-Haarnoja-Zhou/12c0751b4f51ed833172a713b7e32390032ead93
34. Navigating Soft Actor-Critic Reinforcement Learning, https://towardsdatascience.com/navigating-soft-actor-critic-reinforcement-learning-8e1a7406ce48/
35. Unlocking the Potential of Soft Actor-Critic for Imitation Learning - arXiv, https://arxiv.org/pdf/2509.24539
36. Zero-shot Whole-Body Manipulation with a Large-Scale Soft Robotic …, https://arxiv.org/html/2509.23556v1
37. A Soft Actor-Critic Deep Reinforcement-Learning-Based Robot …, https://www.researchgate.net/publication/381277332_A_Soft_Actor-Critic_Deep_Reinforcement-Learning-Based_Robot_Navigation_Method_Using_LiDAR
38. Trajectory Tracking Control for Robotic Manipulator Based on Soft …, https://www.mdpi.com/2313-7673/9/12/779
39. Morphological design methodologies of soft robots - The Innovation, https://www.the-innovation.org/article/doi/10.59717/j.xinn-inform.2025.100012
40. (PDF) Embodied Intelligence & Morphological Computation in Soft …, https://www.researchgate.net/publication/364478272_Embodied_Intelligence_Morphological_Computation_in_Soft_Robotics_Community_Collaborations_Coordination_and_Perspective
41. Embodied Intelligence & Morphological Computation in Soft …, https://www.repository.cam.ac.uk/bitstreams/e574c02e-590f-4f56-9555-f7ff95b79c8c/download
42. arxiv.org, https://arxiv.org/abs/2407.16613
43. Co-evolving morphology and control of soft robots using a single …, https://www.researchgate.net/publication/367564430_Co-evolving_morphology_and_control_of_soft_robots_using_a_single_genome
44. Accelerated co-design of robots through morphological pretraining, https://arxiv.org/html/2502.10862v1
45. Vision Language Action Models in Robotic Manipulation - arXiv, https://arxiv.org/html/2507.10672v1
46. Research - Bo Ai, https://albertboai.com/publications/