년 휴머노이드 로봇 기술 현황 및 미래 전망 (2025-10-11)

1. 서론: 지능형 휴머노이드의 여명

1.1 배경 및 정의

휴머노이드 로봇(Humanoid Robot)은 인간의 신체와 유사한 형태를 지니고 인간의 지능, 행동, 감각을 모방하여 다양한 환경에서 인간 수준의 광범위한 작업을 수행하도록 구현된 지능형 로봇으로 정의된다.1 과거의 휴머노이드 로봇은 사전 프로그래밍된 제한적인 작업만 수행할 수 있는 ‘1세대(레거시)’ 로봇에 머물렀다. 그러나 최근 인공지능(AI), 특히 생성형 AI 기술의 비약적인 발전은 휴머노이드 기술의 근본적인 변곡점을 만들어내며 ‘2세대(지능형)’ 로봇의 시대를 열고 있다.2

이러한 기술적 도약의 핵심 동인은 거대행동모델(Large Action Models, LAM) 및 시각-언어-행동(Vision-Language-Action, VLA) 모델의 출현이다.1 방대한 양의 데이터를 기반으로 인간의 행동을 학습하는 이 AI 모델들은 로봇이 특정 명령이나 프로그래밍 없이도 주어진 상황을 이해하고 독립적으로 복잡한 업무를 수행할 수 있는 기반을 제공한다.1 이로 인해 휴머노이드 로봇의 상용화 시점은 기존의 예상을 훨씬 뛰어넘어 빠르게 현실화되고 있다.1

1.2 시장 잠재력 및 동향

휴머노이드 로봇 시장은 전 세계적인 고령화에 따른 생산가능인구 감소와 지속적인 인건비 상승이라는 거시 경제적 동인에 힘입어 폭발적인 성장이 예견된다.1 Morgan Stanley는 2034년 휴머노이드 로봇 시장이 자동차 시장의 10배가 넘는 최대 60조 달러 규모에 이를 수 있다는 장기 전망을 제시했으며 1, Goldman Sachs는 2035년까지 시장 규모가 380억 달러에 도달할 것으로 예측하는 등 주요 금융 기관들은 이 시장의 잠재력을 높이 평가하고 있다.4

현재 글로벌 시장은 미국과 중국의 기술 기업들을 중심으로 개발 경쟁이 가속화되는 양상을 띤다.1 반도체, 소프트웨어 등 핵심 원천 기술에서는 미국이 우위를 점하고 있으나, 핵심 부품의 자립화와 양산 능력 측면에서는 중국이 빠르게 추격하고 있다.1 초기 활용 분야는 인간의 작업 환경에 맞춰 설계된 기존 인프라를 그대로 활용할 수 있는 자동차 제조 및 물류/창고 자동화에 집중되고 있으며, 이는 휴머노이드 도입의 경제적 장벽을 낮추는 요인으로 작용한다.1

1.3 보고서의 목적 및 구조

본 보고서는 2025년 현재 최신 휴머노이드 기술의 핵심 역량을 ▲조작 능력(Manipulation), ▲동적 안정성(Dynamic Stability), ▲환경 상호작용(Environmental Interaction)이라는 세 가지 축을 중심으로 심층 분석하는 것을 목표로 한다. 각 장에서는 Tesla, Figure AI, Boston Dynamics, Agility Robotics 등 주요 선도 기업들의 기술적 접근법과 아키텍처를 비교 분석한다. 또한, 실제 공개된 시연 영상과 산업 현장의 파일럿 프로그램 사례를 기반으로 현재 기술의 구체적인 성과와 명확한 한계를 객관적으로 제시한다. 이를 통해 독자들이 휴머노이드 기술의 현주소를 정확히 파악하고, 미래 기술 발전 방향과 산업적 기회에 대한 전략적 통찰을 얻을 수 있도록 하는 데 그 목적이 있다.

휴머노이드 로봇 경쟁의 본질은 이제 단순한 하드웨어 성능 경쟁을 넘어, ’범용성(Generality)’을 구현하는 AI 모델과 이를 뒷받침하는 데이터 확보 경쟁으로 명확히 전환되었다. 과거 1세대 로봇은 특정 작업에 고도로 특화된 하드웨어와 고정된 제어 로직에 의존했기 때문에, 새로운 작업을 수행하기 위해서는 값비싼 하드웨어 변경이나 재프로그래밍이 필수적이었다.2 이는 로봇의 확장성과 환경 적응성에 명백한 한계를 부여했다. 그러나 Tesla, Figure AI와 같은 2세대 지능형 휴머노이드의 선두 주자들은 AI, 특히 인간의 행동 데이터를 대규모로 학습하는 LAM 및 VLA 모델을 기술 개발의 핵심으로 삼고 있다.1 이는 로봇이 이전에 학습하지 않은 새로운 작업을 스스로 수행할 수 있는 ’범용성’을 궁극적인 목표로 삼고 있음을 의미한다.

실제로 Figure AI의 ‘Helix’ 모델은 사람이 수행하는 작업 비디오 데이터만으로 로봇이 보행 및 조작을 학습하는 ’제로샷 전이(zero-shot cross-embodiment transfer)’를 시연했으며 10, Tesla의 Optimus는 유튜브 영상과 같은 비정형 데이터를 통해 새로운 작업을 학습하는 능력을 보여주었다.7 이러한 사례들은 경쟁의 핵심이 개별 액추에이터의 토크나 속도와 같은 하드웨어 사양에서, 얼마나 다양한 데이터를 효율적으로 수집하고 이를 일반화된 행동으로 변환할 수 있는 AI 아키텍처를 구축하는가로 이동했음을 명확히 보여준다. 즉, 하드웨어는 AI를 담는 ’그릇’으로서의 중요성을 유지하지만, AI 모델과 데이터 파이프라인이 진정한 경쟁 우위의 원천이 되고 있는 것이다.

아래 표는 현재 시장을 선도하는 주요 휴머노이드 로봇의 핵심 기술 사양을 비교한 것이다. 이는 이어질 본문의 심층 분석에 대한 정량적 기초 자료를 제공한다.

표 1: 주요 휴머노이드 로봇 기술 사양 비교

주: 상기 사양은 공개된 최신 정보를 기반으로 하며, 개발 단계에 따라 변경될 수 있음. 11

2. 조작 능력 (Manipulation Capabilities): 다양한 물체의 파지 및 운반

본 장에서는 “맨손 동작뿐만 아니라 다양한 크기와 무게의 물체를 들어 올리고 운반하여 옮길 수 있는가?“라는 핵심 질문에 답하기 위해, 휴머노이드 로봇의 조작 능력을 다각도로 분석한다. 로봇 손의 기계적 설계 철학부터 구동 기술, AI 기반 제어 방식, 그리고 실제 작업 수행 능력과 현재 기술이 직면한 명백한 한계까지 단계적으로 심층 검토한다.

2.1 맨손을 넘어: 최신 그리퍼 및 엔드 이펙터 기술 분석

최신 휴머노이드 로봇의 손, 즉 엔드 이펙터(End-Effector) 설계는 크게 두 가지 철학으로 양분된다. 하나는 인간 손의 복잡성과 범용성을 완벽하게 모방하려는 접근법이며, 다른 하나는 특정 산업 현장의 요구에 맞춰 효율성과 신뢰성을 극대화하려는 실용적 접근법이다.

Tesla Optimus는 전자의 대표적인 사례다. Tesla는 인간의 손이 가진 약 27~28개의 자유도(Degrees of Freedom, DoF)를 궁극적인 목표로 설정하고 있으며, 이는 로봇 공학에서 가장 어려운 기술적 과제 중 하나로 평가받는다.31 2세대(Gen 2) 모델의 손은 11-DoF를 구현했으나 13, 3세대(Gen 3)에서는 이를 22-DoF로 대폭 향상시켜 인간 수준의 정교함에 한 걸음 더 다가섰다.12 이는 Optimus가 특정 작업에 국한되지 않고 가정과 공장을 아우르는 범용 작업을 수행하도록 설계되었음을 명확히 보여주는 설계 철학이다.

Figure AI의 로봇(Figure 02/03)은 인간과 유사한 5지(five-fingered) 형태(16-DoF)를 채택하면서도, 특히 촉각 센서의 성능을 극대화하는 데 집중한다.30 3세대 모델인 Figure 03은 종이 클립 한 개의 무게에 불과한 3g의 압력까지 감지할 수 있는 초고감도 촉각 센서를 자체 개발하여 탑재했다.18 이는 로봇이 계란이나 유리잔처럼 깨지기 쉬운 물체를 다룰 때, 시각 정보만으로는 파악하기 어려운 미세한 압력 변화와 미끄러짐을 감지하여 파지력을 실시간으로 조절하는 데 필수적이다. 이는 Figure AI의 AI 모델인 ’Helix’가 시각 정보뿐만 아니라 풍부한 촉각 피드백을 통해 파지 전략을 동적으로 최적화하도록 설계되었음을 시사한다.

반면, Boston Dynamics의 Atlas는 산업 현장에서의 실용성에 중점을 둔다. 최신 전기 구동 모델은 인간의 손처럼 ‘마주보는 엄지(opposing thumb)’ 구조를 가진 그리퍼를 장착하여, 단순한 집게 형태에서 벗어나 다양한 형태의 산업용 부품을 안정적으로 조작할 수 있도록 설계되었다.34 이는 연구용 플랫폼을 넘어 실제 공장에서 유용한 작업을 수행하기 위한 목적으로, 범용성보다는 견고성과 신뢰성을 우선시한 결과다.35

Agility Robotics의 Digit은 더욱 실용적인 접근법을 취한다. 이 로봇의 주된 목표는 물류창고 내 토트(tote) 박스를 운반하는 것이므로, 이에 최적화된 단순한 형태의 엔드 이펙터를 기본으로 장착한다. 이 엔드 이펙터는 필요에 따라 다른 도구로 교체가 가능하도록 설계되었다.15 이는 인간과 같은 범용성보다는 특정 산업 현장에서의 즉각적인 투자수익률(ROI)을 우선시하는 명확한 사업 전략을 반영한다.

이러한 로봇들의 핵심 구동부 기술은 과거의 유압식에서 전동식 액추에이터로 전환하는 뚜렷한 추세를 보인다. 이는 전동식이 유압식에 비해 비용이 저렴하고, 제어 정밀도가 높으며, 에너지 효율과 유지보수 측면에서 유리하기 때문이다.2 Tesla는 자사의 전기차 부품 공급망을 활용하여 비용 효율적인 커스텀 액추에이터를 자체 설계 및 생산하고 있으며 13, 이는 강력한 시너지 효과를 창출한다. 손가락과 같은 정교한 부분을 구동하는 방식으로는 인간의 힘줄 구조를 모방한 ‘텐던 구동(tendon-driven)’ 방식이 널리 채택되고 있다. 이는 모터를 팔뚝과 같은 원격 위치에 배치하고 금속 케이블(텐던)로 힘을 전달하여 손가락 부분을 가볍고 민첩하게 만들 수 있는 장점이 있다.31

2.2 다양한 크기와 무게의 물체 핸들링: 주요 기업별 시연 및 실제 적용 사례

휴머노이드 로봇이 실제로 얼마나 무거운 물체를 안정적으로 들어 올리고 운반할 수 있는지를 나타내는 페이로드(Payload, 가반하중)는 현재 기술 수준을 가늠하는 중요한 지표다. 각 기업이 공식적으로 발표하거나 시연을 통해 보여준 페이로드는 다음과 같다.

• Tesla Optimus: 약 20 kg (45 lbs)의 물체를 들고 운반할 수 있으며, 데드리프트 방식으로는 최대 68 kg (150 lbs)까지 들어 올릴 수 있다.12
• Figure 02/03: 최대 20 kg (44 lbs)의 페이로드를 지원한다.20
• Agility Robotics Digit: 물류 현장에서 주로 사용되는 토트 박스를 고려하여 최대 16 kg (35 lbs)의 페이로드를 갖추고 있다.15
• Boston Dynamics Atlas: 공개된 시연에서 약 11 kg (25 lbs)의 물체를 운반했으며 23, 9.9 kg 무게의 자동차 타이어를 조작하는 모습을 보여주었다.14
• Unitree G1: 소형 경량 모델로, 모델에 따라 2~3 kg의 페이로드를 가진다.27

이러한 공식 사양은 실제 작업 수행 능력을 통해 구체화된다. 특히 산업 현장에서의 장기 테스트는 실험실 환경을 넘어선 실용성을 입증하는 중요한 척도다. Figure AI는 BMW의 미국 스파르탄버그 공장에서 자사의 로봇이 자동차 차체 생산 라인의 금속 부품을 집어 지정된 위치로 옮기는 작업을 5개월간 하루 10시간씩 중단 없이 수행했다고 발표했다.44 이는 휴머노이드 로봇이 실제 산업 현장의 까다로운 요구사항(내구성, 신뢰성, 반복 정밀도)을 충족할 수 있음을 보여주는 매우 의미 있는 사례다. 또한 Agility Robotics의 Digit은 세계 최대 전자상거래 기업인 Amazon과 물류 기업 GXO의 창고에서 빈 토트 박스를 옮기는 파일럿 프로그램을 진행하며, 물류 자동화의 새로운 가능성을 타진하고 있다.43

산업 현장뿐만 아니라, 범용 로봇으로서의 가능성을 보여주기 위한 일상 작업 시연도 활발히 이루어지고 있다. Tesla Optimus는 공장 환경에서 배터리 셀을 정렬하는 작업 외에도, 깨지기 쉬운 계란을 조심스럽게 옮기거나 빨래를 개는 등 정교한 조작 능력을 시연했다.13 Figure 03 역시 식기세척기에 그릇을 정리하고, 테이블 위 물건들을 치우며, 화분에 물을 주는 등 복잡한 가정 환경에서의 작업 수행 능력을 선보였다.47 이러한 시연들은 휴머노이드가 미래에 인간의 일상생활에 통합될 수 있다는 비전을 제시한다. 그러나 현재까지 공개된 대부분의 시연은 사전에 잘 통제된 환경에서 이루어졌으며, 일부는 원격 조종에 의존했다는 비판도 제기되는 등 47, 완전한 자율성과 예측 불가능한 환경에 대한 강인성을 입증하기까지는 아직 과제가 남아있다.

2.3 정교함의 한계: 깨지기 쉬운 물체 및 비정형 객체 조작의 과제

현재 휴머노이드 로봇의 조작 기술이 직면한 가장 큰 난관은 단단하고 형태가 고정된 공산품을 넘어, 깨지기 쉬운 물체나 형태가 수시로 변하는 비정형 객체(deformable or unstructured objects)를 안정적으로 다루는 것이다.12 계란, 유리잔, 종이컵과 같은 물체는 과도한 힘을 가하면 파손되며, 옷이나 비닐봉지(폴리백) 같은 물체는 잡는 위치와 방식에 따라 형태가 계속 변하기 때문에 일관된 조작이 매우 어렵다. 이를 해결하기 위해서는 단순히 물체를 ‘잡는(grasping)’ 수준을 넘어, 실시간으로 파지력을 정밀하게 조절하고, 손가락과 물체 표면 사이의 미세한 미끄러짐을 감지하며, 물체의 변형에 동적으로 적응하는 고도의 제어 기술이 요구된다.41

이러한 기술적 난제를 해결하기 위해 여러 접근법이 시도되고 있다. 첫째는 고도화된 센서 기술의 적용이다. Figure 03이 손가락 끝에 탑재한 고감도 촉각 센서와 손바닥에 내장한 카메라는 파지 중인 물체의 압력 분포, 질감, 미세한 형태 변화 등 다각적인 정보를 AI 모델에 실시간으로 제공한다.18 이러한 풍부한 감각 데이터는 로봇이 눈으로만 보는 것을 넘어, 마치 손으로 ‘느끼면서’ 작업하는 것과 같은 효과를 낸다.

둘째는 AI 기반 학습이다. 강화학습(Reinforcement Learning, RL)과 모방학습(Imitation Learning, IL)을 통해 로봇은 수많은 시뮬레이션과 실제 인간의 시연 데이터를 학습하여, 다양한 물체와 상황에 대한 최적의 파지 전략을 스스로 터득한다.50 예를 들어, Figure AI의 Helix 모델은 물류 현장에서 흔히 사용되는 변형 가능한 폴리백이나 얇은 종이 봉투를 다룰 때, 물체의 특성에 맞춰 파지 전략을 동적으로 조정한다. 심지어 바코드가 구겨져 잘 보이지 않을 경우, 포장재 표면을 부드럽게 펴서 평평하게 만드는 미세한 행동까지 학습을 통해 습득했다.55 이는 특정 규칙에 기반한 프로그래밍으로는 구현하기 어려운, 데이터 기반 학습의 강력함을 보여주는 사례다.

학계에서도 관련 연구가 활발히 진행 중이다. MIT CSAIL 연구팀은 특정 물체의 3D 모델에 의존하지 않고, 시각 정보만으로 2,000가지가 넘는 다양한 물체의 방향을 바꾸는 ‘모델-프리(model-free)’ 프레임워크를 개발했다.56 이는 로봇이 처음 보는 물체에 대해서도 일반화된 조작 능력을 가질 수 있음을 시사하며, 범용 휴머노이드의 실현을 위한 중요한 연구 방향이다.

휴머노이드의 ’손’은 이제 단순한 말단 장치(end-effector)를 넘어, AI 모델의 성능을 결정하고 데이터 수집의 질을 좌우하는 핵심 ’인식 센서’로 진화하고 있다. 이러한 변화는 하드웨어와 소프트웨어의 개발이 서로를 촉진하며 가속화되는 강력한 선순환 구조를 형성하고 있다. 과거 로봇이 물체를 떨어뜨리거나 부수는 실패는 기계적인 파지력 부족보다는, 물체의 상태를 정확히 ’인식’하지 못하는 데서 비롯되는 경우가 많았다.51

Figure AI는 이 문제를 해결하기 위해 손 자체에 고해상도 카메라와 종이 클립의 무게까지 감지하는 초정밀 촉각 센서를 내장했다.18 이는 손이 단순히 명령을 수행하는 ‘행동’ 기관이 아니라, 가장 가까운 거리에서 물체의 질감, 형태 변화, 압력 분포 등 고밀도의 물리적 데이터를 수집하는 핵심 ‘인식’ 기관으로 기능함을 의미한다. 이렇게 수집된 고품질의 다중 모드(multi-modal) 데이터는 Helix와 같은 VLA 모델을 훈련시키는 데 결정적인 역할을 한다. AI 모델은 이 데이터를 통해 ’계란은 깨지기 쉬우니 살살 잡아야 한다’거나 ’폴리백은 구겨질 수 있으므로 넓게 잡아야 한다’와 같은 물리적 세계에 대한 상식을 암묵적으로 학습하게 된다.55

결과적으로 더 똑똑해진 AI 모델은 더 정교하고 복잡한 손 제어를 가능하게 하고, 이는 다시 이전에는 불가능했던 새로운 상호작용을 통해 더 풍부하고 질 높은 데이터를 수집하는 결과로 이어진다. 즉, ’손 하드웨어의 발전 → 고품질 데이터 수집 → AI 모델 성능 향상 → 더 정교한 손 제어 → 더 복잡한 데이터 수집’이라는 강력한 선순환(flywheel) 효과가 발생하고 있다. 이는 손 기술의 발전이 단순히 기계 공학의 영역을 넘어, 전체 AI 시스템의 지능을 한 단계 끌어올리는 핵심 동력으로 작용하고 있음을 시사한다.

3. 동적 안정성 (Dynamic Stability): 보행 및 작업 중 넘어지지 않는가?

본 장에서는 “이때 넘어지지 않는가?“라는 사용자의 근본적인 질문에 답하기 위해, 휴머노이드 로봇의 동적 안정성 기술을 심층적으로 분석한다. 이족 보행의 핵심 제어 원리부터 외부의 예기치 못한 충격에 대응하는 능력, 그리고 무거운 물체를 운반하는 중에도 균형을 유지하는 고도의 메커니즘까지 기술적으로 검토한다.

3.1 두 발로 서기: 보행 및 균형 제어의 핵심 원리

인간과 같이 두 발로 걷는 이족 보행(bipedal locomotion)의 안정성을 확보하는 것은 휴머노이드 로봇 기술의 가장 근본적이면서도 어려운 과제다. 이를 위해 고전적인 동역학 기반 제어 이론과 최신의 데이터 기반 학습 방법론이 결합되어 사용된다.

고전적 제어 이론의 핵심은 로봇의 무게중심(Center of Mass, CoM)을 지지 다각형(Base of Support, BoS), 즉 지면에 닿아있는 발바닥 영역 내에 안정적으로 유지하는 것이다.57 이를 수학적으로 구현하기 위해 영점 모멘트 포인트(Zero Moment Point, ZMP) 개념이 널리 사용된다. ZMP는 로봇에 작용하는 중력과 관성력의 합력이 지면과 만나는 지점으로, 이 ZMP가 지지 다각형 내에 위치하면 로봇은 회전 모멘트를 받지 않아 넘어지지 않는다.57 로봇 제어 시스템은 이 ZMP 궤적을 미리 계획하고, 로봇의 관절을 움직여 실제 ZMP가 계획된 궤적을 따라가도록 제어한다. 또한, 모델 예측 제어(Model Predictive Control, MPC)는 로봇의 정밀한 동역학 모델을 기반으로 수 밀리초 후의 미래 움직임을 예측하고, 그 시간 동안의 최적의 관절 토크를 계산하여 안정적인 보행을 구현하는 강력한 기법으로, 특히 Boston Dynamics의 로봇 제어에 핵심적으로 사용된다.60

그러나 실제 환경은 완벽하게 모델링하기 어려운 변수들로 가득 차 있다. 이러한 한계를 극복하기 위해 최근에는 학습 기반 제어가 부상하고 있다. 강화학습(Reinforcement Learning, RL)은 로봇이 가상의 시뮬레이션 환경에서 수백만 번의 넘어짐과 같은 시행착오를 거치며, 보상 함수를 최대화하는 최적의 보행 ’정책(policy)’을 스스로 학습하는 방식이다.54 이 방식은 미끄러운 바닥, 예상치 못한 장애물 등 복잡하고 예측 불가능한 실제 환경에 대한 적응력이 뛰어나다는 장점이 있다. Boston Dynamics의 Atlas와 Figure AI의 로봇들은 이러한 강화학습 기법을 적극적으로 활용하여 보행 능력의 강인성(robustness)을 높이고 있다.36

현재 가장 진보된 접근법은 이 두 가지를 결합한 하이브리드 방식이다. 즉, MPC와 같은 모델 기반 제어의 예측 가능성과 안정성을 기본 골격으로 삼으면서, 강화학습을 통해 모델링하기 어려운 특정 상황(예: 갑작스러운 지면 마찰 변화, 외부 충격)에 대한 대응 능력을 보강하는 것이다. Boston Dynamics는 MPC를 기본 제어 시스템으로 사용하면서, 강화학습으로 훈련된 정책을 통합하여 로봇이 더 넓은 범위의 불확실성에 대처할 수 있도록 한다.14

3.2 예기치 못한 상황에 대한 대응: 외란 회복 및 낙상 방지/회복 메커니즘

실제 환경에서 로봇은 사람이나 다른 물체와의 충돌, 바닥의 장애물 등 예기치 못한 외란(disturbance)에 끊임없이 직면한다. 이러한 상황에서 균형을 잃지 않고 임무를 지속하는 능력은 휴머노이드의 실용성을 결정하는 핵심 요소다.

외란 회복(Disturbance Recovery) 능력은 로봇이 외부로부터 예기치 못한 힘을 받았을 때 균형을 회복하는 기술을 의미한다. 이 분야에서 Boston Dynamics의 Atlas는 독보적인 성능을 보여준다. 공개된 영상에서 Atlas는 직원이 막대기로 밀거나 무거운 공을 던져도 넘어지지 않고 균형을 되찾는다.66 이는 인간의 균형 회복 메커니즘을 정교하게 모방한 결과다. 작은 충격에 대해서는 발목 관절을 미세하게 조절하여 무게중심을 이동시키는 ’발목 전략(ankle strategy)’을 사용하고, 더 큰 충격에 대해서는 팔과 상체를 휘둘러 각운동량을 상쇄하는 ’엉덩이 전략(hip strategy)’이나, 아예 한 발을 빠르게 내디뎌 새로운 지지점을 만드는 ’발 내딛기 전략(stepping strategy)’을 복합적으로 사용한다.67 최신 연구들은 강화학습을 통해 외부에서 축구공으로 강하게 차는 등 극한의 외란 상황에서도 넘어지지 않고 자세를 회복하는 제어 정책을 학습시키는 데 성공하고 있다.64

균형 회복이 불가능할 정도로 큰 충격을 받았을 경우, 로봇은 낙상 방지(Fall Prevention) 및 낙상 회복(Fall Recovery) 메커니즘을 통해 스스로를 보호하고 임무에 복귀해야 한다. 낙상 방지 기술의 일환으로, 일부 연구에서는 로봇이 넘어지는 방향을 예측하고, 그 방향에 있는 벽이나 기둥과 같은 주변 지형지물을 손으로 짚어 충격을 완화하고 자세를 안정시키는 방법을 개발하고 있다.69

만약 넘어지는 것을 피할 수 없다면, 낙상 회복(Self-Righting), 즉 넘어진 상태에서 외부의 도움 없이 스스로 일어서는 능력이 필수적이다. 이는 24시간 자율 운영을 위한 전제 조건이다. Boston Dynamics의 4족 보행 로봇 Spot은 이미 이 기능을 상용화했으며 71, Agility Robotics의 Digit 또한 최근 낙상 후 스스로 일어서는 기능을 공식적으로 시연하여 큰 주목을 받았다.72 과거 유압식 Atlas 역시 넘어진 후 스스로 일어서는 모습을 보여준 바 있다.66 이 기술은 단순히 관절을 움직이는 것을 넘어, 로봇이 자신의 신체와 지면 간의 복잡한 접촉 상태를 실시간으로 인식하고, 전신의 무게중심을 정교하게 이동시켜야 하는 고난도 제어 기술의 집약체다.73

3.3 무거운 짐을 들고도 안정적인가?: 주요 로봇의 운반 중 안정성 분석

무거운 물체를 들어 올리는 순간, 로봇 시스템 전체의 질량, 무게중심, 관성 모멘트가 급격하게 변한다. 이 변화를 실시간으로 보상하지 못하면 로봇은 쉽게 균형을 잃고 넘어진다. 따라서 물체 운반 중 안정성을 유지하기 위해서는 팔, 다리, 몸통 등 전신의 움직임을 유기적으로 조화시키는 전신 협응 제어(Whole-Body Control) 기술이 필수적이다.75

Boston Dynamics는 이 문제에 대해 가장 진보된 접근법을 보여준다. Atlas의 MPC 컨트롤러는 운반 중인 물체를 단순히 외부 하중으로 취급하는 것을 넘어, 로봇 동역학 모델의 일부로 명시적으로 포함시킨다. 즉, 컨트롤러는 물체의 무게와 관성이 로봇의 균형에 미치는 영향을 미리 예측하고, 이를 상쇄하기 위한 보상 동작(예: 상체를 뒤로 기울이기, 보폭 조정)을 계획에 반영한다.61 이러한 접근법 덕분에 Atlas는 약 9.9 kg 무게의 자동차 타이어를 양손으로 조작하거나 14, 무거운 판자를 들고 불안정한 다리를 건너는 등 다른 로봇들이 수행하기 어려운 고난도의 작업을 안정적으로 수행할 수 있다.79

Tesla Optimus가 고르지 않은 지면을 걷는 영상이나 80, Unitree H1이 화물을 운반하는 시연 58 등도 물체의 무게를 고려한 동적 균형 제어 알고리즘이 적용되었음을 시사한다. 하지만 현재까지 공개된 정보만으로는 이들 로봇이 Boston Dynamics와 같이 물체의 동역학을 명시적으로 모델링하는지, 아니면 강화학습 등을 통해 암묵적으로 제어 정책을 학습하는지는 명확하지 않다.

휴머노이드의 동적 안정성 기술은 단순히 ’넘어지지 않는 것’을 넘어, ‘넘어져도 괜찮은’ 단계로 진화하고 있다. 이는 로봇의 적용 범위를 예측 가능한 공장에서 예측 불가능한 실제 세계로 확장하는 데 있어 심리적, 기술적 장벽을 낮추는 결정적인 전환점이다. 전통적인 산업용 로봇은 고정된 위치에서 작동하므로 ’낙상’이라는 개념 자체가 존재하지 않았다. 따라서 초기 이족보행 로봇 연구의 주된 목표는 ‘절대 넘어지지 않게’ 만드는 것이었고, 이는 로봇의 움직임을 매우 보수적이고 느리게 만드는 근본적인 원인이 되었다.51

Boston Dynamics는 파쿠르, 덤블링 등 인간 운동선수 수준의 극한 동작을 시도하며 ‘실패’, 즉 낙상을 연구 과정의 필연적인 일부로 받아들였다.79 이러한 접근법을 통해 외부 충격에 대한 회복 능력(Disturbance Recovery)이 비약적으로 발전할 수 있었다. 최근 Agility Robotics의 Digit이 선보인 ‘자체 기립(Self-Righting)’ 기능은 이러한 진화의 정점을 보여준다.72 이는 로봇이 넘어져도 인간의 개입 없이 스스로 임무에 복귀할 수 있음을 의미하며, 24시간 완전 자율 운영을 위한 핵심 전제 조건이다.

이러한 기술적 진화는 ’낙상 = 치명적 고장’이라는 기존의 등식을 근본적으로 깨뜨린다. 로봇이 넘어져도 스스로 복구할 수 있다면, 개발자들은 시뮬레이션과 실제 환경에서 더 과감하고 빠른 동작을 시도하며 데이터를 축적할 수 있고, 이는 AI 모델의 학습 속도를 기하급수적으로 가속화한다. 결국 ‘낙상 회복’ 기술의 성숙은 휴머노이드가 더 이상 온실 속 화초처럼 다뤄지지 않아도 됨을 의미한다. 이는 물류창고, 건설 현장, 재난 현장 등 복잡하고 동적인 실제 환경으로 휴머노이드가 진출하기 위한 핵심 기술적 관문이며, 로봇의 활용 가능성에 대한 패러다임을 근본적으로 바꾸는 게임 체인저라 할 수 있다.

4. 환경과의 상호작용 (Interaction with the Environment): 지능형 인식 및 자율 행동

본 장에서는 “환경과 상호작용이 가능한가?“라는 질문에 답하기 위해, 휴머노이드 로봇이 주변 환경을 어떻게 인식하고, 그 정보를 바탕으로 어떻게 자율적으로 판단하고 행동하는지를 심층적으로 분석한다. 핵심 센서 기술부터 인공지능 모델, 그리고 실제 산업 현장에서의 적용 사례와 상용화를 가로막는 현실적인 과제까지 종합적으로 다룬다.

4.1 세상을 보는 눈: 센서 융합과 인식 시스템

최신 휴머노이드 로봇은 인간의 복합적인 감각기관처럼 다양한 센서를 유기적으로 조합하여 주변 환경 정보를 입체적으로 수집하고, 이를 통해 정교한 상황 인식을 구현한다.83

**다중 센서 구성(Multi-Sensor Suite)**은 이러한 인식 시스템의 근간을 이룬다.

• 시각 센서(카메라): 대부분의 로봇이 주된 인식 센서로 채택하고 있다. 특히 Tesla Optimus는 8개의 고해상도 카메라를 통해 360도 전방위 시야를 확보하며, 이는 자사의 전기차 자율주행 시스템(FSD)과 기술적 기반을 공유한다.9 이는 방대한 실제 주행 데이터를 로봇 학습에 활용할 수 있다는 강력한 이점을 제공한다. Figure 03 역시 기존 모델 대비 2배의 프레임률, 4분의 1 수준의 지연 시간, 60% 넓어진 화각을 자랑하는 차세대 카메라 시스템을 탑재하여 인식 성능을 극대화했다.18
• 3D 센서(LiDAR, Depth Camera): 물체까지의 거리를 정밀하게 측정하여 3차원 공간 정보를 재구성하는 데 필수적이다. Boston Dynamics의 Atlas와 Unitree G1은 LiDAR와 깊이 카메라(Depth Camera)를 모두 활용하여 주변 환경의 정밀한 3D 지도를 실시간으로 생성하고, 이를 장애물 회피 및 경로 계획에 사용한다.27
• 관성 측정 장치(IMU): 자이로스코프와 가속도계로 구성된 IMU는 로봇의 자세, 균형, 가속도를 정밀하게 측정한다. 이 정보는 동적 안정성 제어 알고리즘에 필수적인 입력값으로 사용되어 로봇이 걷거나 움직일 때 균형을 유지하도록 돕는다.16
• 기타 센서: 이 외에도 관절과 발바닥에 내장된 힘/토크 센서는 지면과의 접촉 상태나 물체와의 상호작용 힘을 측정하고, 오디오 센서(마이크)는 음성 명령이나 주변 소리를 감지하며, 손가락 끝의 촉각 센서는 물체의 질감이나 미끄러짐을 감지하는 등 다양한 센서들이 상호작용의 정교함을 높이는 데 기여한다.16

**센서 융합(Sensor Fusion)**은 이러한 다양한 센서에서 들어오는 데이터를 지능적으로 통합하여, 단일 센서가 가질 수 있는 한계(예: 카메라는 어두운 곳에 취약, LiDAR는 투명한 물체 인식 불가)를 보완하고 더 정확하며 강인한 환경 인식을 구현하는 핵심 기술이다. 예를 들어, 카메라가 포착한 2D 이미지의 색상 및 형태 정보와 LiDAR가 측정한 3D 포인트 클라우드의 거리 정보를 결합하면, 특정 객체의 종류와 위치를 동시에 정확하게 파악할 수 있다.51

4.2 보고 생각하고 행동하라: AI 기반 행동 모델의 역할

센서를 통해 수집된 방대한 데이터는 고도의 인공지능 모델을 통해 의미 있는 정보로 해석되고, 궁극적으로 로봇의 행동으로 이어진다. 특히 시각-언어-행동(Vision-Language-Action, VLA) 모델의 등장은 로봇 제어의 패러다임을 근본적으로 바꾸고 있다. VLA 모델은 시각 정보(Vision)와 인간의 자연어 명령(Language)을 동시에 이해하고, 이를 바탕으로 로봇의 구체적인 행동(Action)을 종단간(end-to-end) 방식으로 생성하는 통합 신경망이다.8

Figure AI의 Helix는 VLA 모델의 가장 대표적인 상용화 사례다. Helix는 “냉장고로 걸어가서 물병을 가져와“와 같은 복잡한 자연어 명령을 이해하고, 카메라 영상을 통해 집안의 복잡한 환경을 인식하며, 장애물을 피해 냉장고 문을 열고 물병을 꺼내오는 일련의 동작을 자율적으로 생성하고 실행한다.8 Helix는 고수준의 장기적인 계획을 담당하는 ‘System 2’(7-9 Hz로 느리게 생각)와, 실시간으로 정밀한 동작을 제어하는 ‘System 1’(200 Hz로 빠르게 행동)의 이중 구조로 설계되어, 인간과 유사한 수준의 유연한 사고와 신속한 반응성을 동시에 구현했다.8

Tesla는 자율주행 기술(FSD) 개발 과정에서 축적한 수백만 대의 차량으로부터 수집된 방대한 실제 주행 영상 데이터와 이를 처리하기 위한 AI 인프라(Dojo 슈퍼컴퓨터 등)를 Optimus 개발에 적극적으로 활용하고 있다.9 이는 시뮬레이션 데이터만으로는 확보하기 어려운, 예측 불가능한 실제 세계의 무수한 ’엣지 케이스(edge case)’에 대한 강인성을 확보하는 데 강력한 경쟁 우위로 작용한다. Optimus는 인간의 행동을 직접 관찰하여 배우거나(Observational Learning), 심지어 유튜브 영상과 같은 비정형 데이터를 통해 새로운 기술을 스스로 학습할 수 있는 능력을 갖추고 있다.7

Boston Dynamics 역시 대규모 행동 모델(Large Behavior Models, LBM)이라는 유사한 접근법을 취하고 있다. 이들은 인간 전문가가 가상현실(VR) 장비를 착용하고 로봇을 원격 조종(Teleoperation)하는 방식으로 고품질의 시연 데이터를 대규모로 수집하고, 이를 기반으로 LBM을 훈련시킨다.14 이렇게 훈련된 모델은 “선반 위의 부품을 파란색 통에 담아“와 같은 언어적 명령을 이해할 뿐만 아니라, 작업을 수행하다 부품을 떨어뜨리는 등 예기치 못한 상황이 발생했을 때 스스로 복구하는 행동까지 데이터로부터 학습한다.14

4.3 인간과의 공존을 향하여: 실제 환경에서의 적용 및 과제

이러한 진보된 기술들은 실험실을 넘어 실제 산업 현장에서 그 실용성을 검증받고 있다.

• Figure AI와 BMW의 협력은 휴머노이드가 자동차 생산 라인에 투입된 대표적인 사례다. Figure 로봇은 BMW의 미국 스파르탄버그 공장에서 차체 조립에 필요한 부품을 운반하는 단조롭고 힘든 작업을 수행하며, 장기적인 신뢰성과 내구성을 테스트하고 있다.44 이는 휴머노이드가 기존의 고정형 산업용 로봇을 대체하거나 보완하며 생산 유연성을 높일 수 있는 가능성을 탐색하는 중요한 실증 프로젝트다.
• Agility Robotics와 Amazon의 협력 역시 주목할 만하다. Agility의 Digit은 Amazon의 물류 센터에서 상품이 비워진 빈 토트(tote) 박스를 정리하는 반복적인 작업을 수행하며, 인간 작업자의 육체적 부담을 줄여주는 역할을 테스트하고 있다.45 이는 인간과 로봇이 같은 공간에서 안전하게 협업하는 모델의 실효성을 검증하고, 물류 자동화의 새로운 방향을 제시하는 과정이다.

그러나 이러한 유망한 시도에도 불구하고, 본격적인 상용화를 위해서는 몇 가지 현실적인 과제를 해결해야 한다.

• 배터리 수명: 현재 대부분의 휴머노이드 로봇은 완전 충전 시 2~4시간 정도의 짧은 작동 시간을 가진다.11 이는 24시간 가동이 일반적인 산업 현장의 요구에 크게 미치지 못하는 수준이다. Figure 03의 무선 충전 기능이나 18, Agility Digit의 교체 가능한 배터리 팩 91과 같은 해결책이 모색되고 있지만, 근본적으로는 에너지 효율이 높은 차세대 액추에이터와 전고체 배터리(solid-state battery)와 같은 혁신적인 배터리 기술의 개발이 시급하다.89
• 비용: 휴머노이드 로봇의 제조 비용은 여전히 수만 달러에서 수십만 달러에 이르러 매우 높다.40 최근 중국 Unitree가 16,000달러 수준의 저가 모델 G1을 출시하며 가격 파괴의 가능성을 보여주었지만 2, 산업 현장에서 요구되는 성능과 신뢰성을 갖춘 고성능 로봇의 가격은 대량 생산을 통한 규모의 경제가 실현되어야만 경제성을 확보할 수 있을 것이다. 시장조사기관 DIGITIMES Research는 2029년 이후에야 본격적인 대량 생산 단계에 진입할 수 있을 것으로 예측하고 있다.95
• 안전 및 윤리: 인간과 같은 공간에서 물리적으로 상호작용하기 위해서는 충돌 방지, 낙상 시 위험 최소화 등 고도의 안전 기준이 필수적이다. 현재 ISO 13482(개인용 돌봄 로봇)와 같은 관련 표준이 존재하지만, Atlas나 Digit과 같이 동적으로 움직이는 이족보행 로봇의 고유한 위험성(예: 넘어질 때의 충격)을 고려한 새로운 안전 표준이 활발히 제정되고 있다.98 또한, 로봇이 수집하는 데이터의 프라이버시 문제, 자동화로 인한 일자리 대체 문제, AI 알고리즘의 잠재적 편향성 등 다양한 윤리적 문제에 대한 사회적 논의와 합의도 상용화 과정에서 반드시 수반되어야 한다.100

휴머노이드 로봇의 ‘상호작용’ 능력은 단순히 물리적 작업을 수행하는 것을 넘어, 인간의 작업 공간, 도구, 그리고 프로세스라는 ’기존 인프라’에 대한 완벽한 호환성을 의미한다. 이는 자동화를 위해 환경을 로봇에 맞게 바꾸는 것이 아니라, 로봇이 인간의 환경에 적응하는 자동화라는 근본적인 패러다임 전환을 이끌고 있다. 전통적인 공장 자동화는 로봇 팔과 같은 기계에 맞춰 컨베이어 벨트, 고정된 지그(jig) 등 작업 환경 전체를 값비싸게 재설계해야 했다. 이는 막대한 초기 투자 비용과 낮은 유연성을 야기하는 주된 원인이었다.1

반면, 휴머노이드 로봇은 인간의 신체 형태를 가짐으로써 인간을 위해 설계된 계단, 문, 복도, 선반, 도구 등을 수정 없이 그대로 사용할 수 있다.38 Agility Robotics의 Digit이 “사람이 갈 수 있는 곳이라면 어디든 간다“는 점을 핵심 가치로 내세우는 것이 바로 이러한 특징을 대변한다.38 이는 기업이 기존의 값비싼 인프라를 변경하지 않고도 점진적으로 자동화를 도입할 수 있음을 의미한다. 예를 들어, 창고의 선반 높이나 통로 폭을 바꿀 필요 없이 Digit을 즉시 투입하여 토트 운반 작업을 자동화할 수 있다.45

더 나아가, Figure AI의 Helix나 Tesla의 AI 모델은 로봇이 시각과 언어를 통해 인간의 ’작업 방식’을 이해하고 모방하게 한다.7 이는 로봇이 물리적 공간뿐만 아니라, 인간의 ’작업 프로세스’라는 무형의 인프라에도 적응할 수 있음을 시사한다. 결론적으로, 휴머노이드의 진정한 파괴력은 새로운 작업을 수행하는 능력 자체보다, 기존의 모든 것을 ‘그대로 둔 채’ 자동화를 가능하게 하는 전례 없는 호환성에 있다. 이는 자동화 도입의 문턱을 극적으로 낮추어, 이전에는 경제적·기술적 이유로 자동화가 불가능했던 수많은 영역으로 기술이 확산되는 결정적인 기폭제가 될 것이다.

5. 결론 및 전략적 전망

5.1 현재 기술 수준 요약

2025년 현재, 휴머노이드 로봇 기술은 ‘가능성의 증명(Proof of Concept)’ 단계를 지나 ‘실용성의 검증(Proof of Utility)’ 단계로 명확히 진입했다. Tesla, Figure AI, Boston Dynamics와 같은 선두 기업들은 통제된 환경 내에서 특정 작업을 안정적으로 수행하는 능력을 성공적으로 입증했다. 이제 이들의 과제는 실제 산업 현장에서 장기적인 신뢰성과 경제성을 증명하는 것이다. AI 행동 모델의 비약적인 발전으로 조작 및 보행 능력은 인간의 수준에 근접하고 있으나, 배터리 기술의 한계, 높은 제조 비용, 그리고 인간과의 협업을 위한 안전 표준이라는 세 가지 현실적 장벽이 본격적인 상용화의 속도를 결정하는 핵심 변수로 남아있다.

5.2 상용화를 위한 핵심 기술 과제 및 로드맵

휴머노이드 로봇의 상용화는 단계적으로 진행될 것으로 전망된다.

• 단기(1~3년): 기술의 초점은 물류 및 제조 분야의 명확하게 정의된 반복 작업, 예를 들어 토트 박스 운반, 선반에 부품을 올리는 피킹 작업 등에 대한 신뢰성 및 투자수익률(ROI) 확보에 집중될 것이다.1 이 단계에서는 로봇의 자율성을 보조하기 위한 인프라, 즉 배터리 교체 스테이션이나 무선 충전 패드 등의 구축이 병행될 것이다.18
• 중기(3~5년): AI 모델의 지속적인 발전으로 로봇은 더 다양한 종류의 물체를 다룰 수 있게 되고, 예측하지 못한 상황에 대응하는 능력이 향상될 것이다. 시장조사기관 DIGITIMES Research는 2029년 이후 기술 발전과 규모의 경제가 맞물리면서 부품 단가가 하락하고, 본격적인 대량 생산의 기반이 마련될 것으로 예측했다.95 이 시점부터 휴머노이드의 도입이 가속화될 것이다.
• 장기(5~10년 이후): 기술이 성숙함에 따라 헬스케어, 노인 돌봄, 가사 노동 등 비정형성이 매우 높은 서비스 분야로의 확장이 본격화될 것이다.1 이를 위해서는 인간과의 안전하고 자연스러운 상호작용(Human-Robot Interaction, HRI) 기술과 사회적 수용성이 전제되어야 한다.

5.3 산업별 도입 시나리오 및 장기적 파급 효과

휴머노이드 로봇은 산업 구조에 점진적이면서도 근본적인 변화를 가져올 것이다.

• 제조업 및 물류: 가장 먼저 휴머노이드가 도입될 분야로, 만성적인 노동력 부족 문제를 해결하고 24시간 가동을 통한 생산성 향상에 직접적으로 기여할 것이다.1
• 헬스케어 및 서비스: 초기에는 환자 이동 보조, 의료 물품 운반, 시설 안내 등 인간의 신체적 노동을 보조하는 역할부터 시작하여, 기술이 발전함에 따라 간병, 재활 치료 보조 등 더 고도화된 역할을 수행하게 될 것이다.6
• 장기적 전망: 휴머노이드 로봇은 단순히 인간의 노동력을 대체하는 것을 넘어, 인간이 더욱 창의적이고 복잡한 고부가가치 작업에 집중할 수 있도록 돕는 ’협업 파트너’로 자리매김할 것이다.38 이는 생산성의 정의를 바꾸고, 특히 고령화 사회가 직면한 구조적인 노동력 문제를 해결하는 핵심 솔루션이 될 잠재력을 지닌다.

국내에서는 삼성전자, 현대자동차, LG전자, 네이버 등이 핵심 기업으로 주목받고 있으며, 로봇 전문기업에 대한 투자와 자체 연구개발을 통해 기술력을 축적하고 있다.1 그러나 한국과학기술기획평가원(KISTEP)의 2022년 평가에 따르면, 인공지능 및 첨단로봇 분야에서 한국의 기술 수준은 미국 등 선도국 대비 약 3년의 격차를 보이는 것으로 분석된다.2 글로벌 휴머노이드 시장의 주도권을 확보하기 위해서는 산학연 협력을 강화하고, 핵심 부품 및 소프트웨어 기술에 대한 국가적 차원의 장기적인 투자와 전략 수립이 시급한 시점이다.

아래 표는 본 보고서에서 분석한 주요 기업들의 핵심 기술별 접근 방식을 요약하여, 각 사의 기술 철학과 전략적 방향성의 차이를 명확히 보여준다.

표 2: 휴머노이드 로봇 핵심 기술별 접근 방식 비교

2

6. 참고 자료

1. 휴머노이드 로봇 산업 동향 - KDB미래전략연구소, https://rd.kdb.co.kr/fileView?groupId=387FD802-BB01-F459-BDB3-481FC41491C6&fileId=93C6EEA3-EC3E-75FC-2212-41D39F4CF675
2. 휴머노이드 로봇의 진화와 미래 과제, https://ettrends.etri.re.kr/ettrends/214/0905214009/082-092.%20%EC%98%A4%ED%98%84%EC%A0%95_214%ED%98%B8_%EC%B5%9C%EC%A2%85.pdf
3. TOP 5 Global Robotics Trends 2025 - International Federation of …, https://ifr.org/ifr-press-releases/news/top-5-global-robotics-trends-2025
4. Humanoid Robots: The 16 Leading Manufacturers Shaping the Future, https://reliablerobotics.ai/humanoid-robots-the-16-leading-manufacturers-shaping-the-future/
5. 휴머노이드 로봇 기술 동향, 기회 요인 및 시장 전망 2025-2035 - IDTechEx, https://www.idtechex.com/ko/research-report/humanoid-robots/1093
6. 8 Robotics Trends Transforming Industries in 2025 - Studio Red, https://www.studiored.com/blog/eng/robotics-trends/
7. ‘Tesla Optimus learning Kung Fu’: Elon Musk’s humanoid robot stuns with human-like moves and balance | Watch | - The Times of India, https://timesofindia.indiatimes.com/technology/tech-news/tesla-optimus-learning-kung-fu-elon-musks-humanoid-robot-stuns-with-human-like-moves-and-balance-watch/articleshow/124337395.cms
8. Helix: A Vision-Language-Action Model for Generalist Humanoid …, https://www.figure.ai/news/helix
9. AI & Robotics | Tesla, https://www.tesla.com/AI
10. Project Go-Big: Internet-Scale Humanoid Pretraining and Direct Human-to-Robot Transfer, https://www.figure.ai/news/project-go-big
11. Top 12 Humanoid Robots of 2025, https://humanoidroboticstechnology.com/articles/top-12-humanoid-robots-of-2025/
12. Tesla robot price in 2025: Everything you need to know about Optimus - Standard Bots, https://standardbots.com/blog/tesla-robot
13. A Complete Review Of Tesla’s Optimus Robot - Brian D. Colwell, https://briandcolwell.com/a-complete-review-of-teslas-optimus-robot/
14. Boston Dynamics and TRI use large behavior models to train Atlas humanoid, https://www.therobotreport.com/boston-dynamics-tri-use-large-behavior-models-train-atlas-humanoid/
15. Our Solution - Agility Robotics, https://www.agilityrobotics.com/solution
16. Elon Musk’s Optimus Gen 3: A Technical Breakdown of the 2025 AI Revolution - Capitaly.vc, https://www.capitaly.vc/blog/elon-musks-optimus-gen-3-a-technical-breakdown-of-the-2025-ai-revolution
17. Tesla Optimus Specifications - QVIRO, https://qviro.com/product/tesla/optimus/specifications
18. Introducing Figure 03 - Figure AI, https://www.figure.ai/news/introducing-figure-03
19. Figure 03: Humanoid robot debuts with wireless charging and ultra-sensitive tactile palms, https://www.notebookcheck.net/Figure-03-Humanoid-robot-debuts-with-wireless-charging-and-ultra-sensitive-tactile-palms.1134940.0.html
20. Figure 03 | Figure, https://www.figure.ai/figure
21. New Electric Atlas AI Humanoid Robot - Linkdood Technologies, https://linkdood.com/new-electric-atlas-ai-humanoid-robot/
22. Boston Dynamics Atlas Specifications - QVIRO, https://qviro.com/product/boston-dynamics/atlas/specifications
23. Atlas Robot - Wevolver, https://www.wevolver.com/specs/atlas.robot
24. Agility Robotics Digit Specifications - QVIRO, https://qviro.com/product/agility-robotics/digit/specifications
25. Digit - Humanoid.guide, https://humanoid.guide/product/digit/
26. Agility Robotics Develops Digit: The Bipedal Humanoid Robot | New Equipment Digest, https://www.newequipment.com/home/product/55099224/73197-agility-robotics-develops-digit-the-bipedal-humanoid-robot
27. Humanoid Robot G1 - Probot Oy, https://probot.fi/en/humanoid-robot
28. G1 humanoid robot | Unitree Robotics - Génération Robots, https://www.generationrobots.com/en/404241-g1-humanoid-robot.html
29. Unitree G1 - Roboworks, https://www.roboworks.net/store/p/unitree-g1-humanoid-robot
30. AI-Powered Production: BMW’s Figure 02 Humanoid Robot Sets New Industry Standard, https://steelindustry.news/ai-powered-production-bmws-figure-02-humanoid-robot-sets-new-industry-standard/
31. Elon’s Shocking Confession: Optimus Hand Is Tesla’s Hardest Problem Yet - Digital Habitats, https://digitalhabitats.global/blogs/cobots-1/elon-s-shocking-confession-optimus-hand-is-tesla-s-hardest-problem-yet
32. Optimus Hand Design - tesla.rocks, https://tesla.rocks/2025/06/01/optimus-hand-design/
33. Figure AI - Wikipedia, https://en.wikipedia.org/wiki/Figure_AI
34. Boston Dynamics Upgrades Atlas Robot with Human-Like Grippers - WebProNews, https://www.webpronews.com/boston-dynamics-upgrades-atlas-robot-with-human-like-grippers/
35. Making Atlas See the World - Boston Dynamics, https://bostondynamics.com/blog/making-atlas-see-the-world/
36. Atlas | Boston Dynamics, https://bostondynamics.com/atlas/
37. Agility Robotics Announces New Innovations for Market-Leading Humanoid Robot Digit, https://www.agilityrobotics.com/content/agility-robotics-announces-new-innovations-for-market-leading-humanoid-robot-digit
38. Agility Robotics Launches Next Generation of Digit: World’s First Human-Centric, Multi-Purpose Robot made for Logistics Work, https://www.agilityrobotics.com/content/agility-robotics-launches-next-generation-of-digit-worlds-first-human-centric-multi-purpose-robot-made-for-logistics-work
39. A Complete Review Of Boston Dynamics’ Atlas Robot - Brian D. Colwell, https://briandcolwell.com/a-complete-review-of-boston-dynamics-atlas-robot/
40. Humanoid Robots in Business: Real Use Cases, Costs & ROI, https://www.articsledge.com/post/humanoid-robots-business
41. Interactive Imitation Learning for Dexterous Robotic Manipulation: Challenges and Perspectives—A Survey - arXiv, https://arxiv.org/html/2506.00098
42. Tesla Bot a.k.a Optimus - Wevolver, https://www.wevolver.com/specs/tesla-bot-aka-optimus
43. Agility’s Digit Humanoid Robot Begins Work at GXO Warehouse with Heavy Lifting Duties, https://www.techeblog.com/agility-digit-humanoid-robot-gxo/
44. Figure Claims Humanoid Robot Has Worked Five Months on BMW Production Line, https://www.humanoidsdaily.com/feed/figure-claims-humanoid-robot-has-worked-five-months-on-bmw-production-line
45. Agility Robotics Broadens Relationship with Amazon, https://www.agilityrobotics.com/content/agility-robotics-broadens-relationship-with-amazon
46. Amazon announces 2 new ways it’s using robots to assist employees and deliver for customers, https://www.aboutamazon.com/news/operations/amazon-introduces-new-robotics-solutions
47. Figure 03 Is The Robot in Your Kitchen | TIME, https://time.com/7324233/figure-03-robot-humanoid-reveal/
48. Watch: Figure 03 – The Model T of robots? - New Atlas, https://newatlas.com/ai-humanoids/watch-figure-03-model-t-robots/
49. Tesla Halts Optimus Robot Production Amid Hand, Arm Design Problems, https://www.moroccoworldnews.com/2025/10/262892/tesla-halts-optimus-robot-production-amid-hand-arm-design-problems/
50. Human-like Dexterous Grasping Through Reinforcement Learning and Multimodal Perception - MDPI, https://www.mdpi.com/2313-7673/10/3/186
51. The value and limitations of humanoid robots in the warehouse of the future - Supply Chain Management Review, https://www.scmr.com/article/the-value-and-limitations-of-humanoid-robots-in-the-warehouse-of-the-future
52. Deformable and Fragile Object Manipulation: A Review and Prospects - MDPI, https://www.mdpi.com/1424-8220/25/17/5430
53. Humanoid Locomotion and Manipulation: Current Progress and Challenges in Control, Planning, and Learning *co-corresponding authors - arXiv, https://arxiv.org/html/2501.02116v1
54. Improving Bipedal Robot Motion via Reinforcement Learning and Tailored Rewards - Engineered Science Publisher, https://www.espublisher.com/uploads/article_html/engineered-science/10.30919-es1287.htm
55. Scaling Helix: a New State of the Art in Humanoid Logistics - Figure AI, https://www.figure.ai/news/scaling-helix-logistics
56. Dexterous robotic hands manipulate thousands of objects with ease | MIT News, https://news.mit.edu/2021/dexterous-robotic-hands-manipulate-thousands-objects-1112
57. Actuator Strategies for Humanoid Balance | Archimedes Drive | IMSystems, https://imsystems.nl/advanced-actuator-strategies-for-humanoid-robot-balance/
58. Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning - arXiv, https://arxiv.org/html/2502.17219v2
59. What is the Zero-Moment Point in Optimus Robot? - Analytics India Magazine, https://analyticsindiamag.com/ai-trends/what-is-the-zero-moment-point-in-optimus-robot/
60. Starting on the Right Foot with Reinforcement Learning | Boston Dynamics, https://bostondynamics.com/blog/starting-on-the-right-foot-with-reinforcement-learning/
61. Picking Up Momentum | Boston Dynamics, https://bostondynamics.com/blog/picking-up-momentum/
62. Advancements in humanoid robot dynamics and learning-based locomotion control methods - OAE Publishing Inc., https://www.oaepublish.com/articles/ir.2025.32
63. 서울공대 웹진(134호) 신기술 동향 | 휴머노이드 로봇 보행 기술 및 개발 동향, https://webzine-eng.snu.ac.kr/web/vol134/SW134_12_tech2.php
64. HuB: Learning Extreme Humanoid Balance - arXiv, https://arxiv.org/html/2505.07294v1
65. Figure AI Achieves Breakthrough in Humanoid Robot Locomotion: Near Human Speed, Hours of Training - AIbase, https://www.aibase.com/news/16610
66. Boston Dynamics’ New Atlas Robot Can’t Be Pushed Around (Video) | Live Science, https://www.livescience.com/53825-atlas-robot-video-boston-dynamics.html
67. Integral Control of Humanoid Balance - CMU School of Computer Science, https://www.cs.cmu.edu/~bstephe1/papers/iros07.pdf
68. Walking Stabilization Using Step Timing and Location Adjustment on the Humanoid Robot, Atlas - arXiv, https://arxiv.org/pdf/1703.00477
69. Optimization-based Motion Planning for Humanoid Fall Recovery - DukeSpace, https://dukespace.lib.duke.edu/items/04e53803-886d-4c90-aed6-43dc0d91b3ff
70. Whole-Body Dynamics for Humanoid Robot Fall Protection Trajectory Generation with Wall Support, https://pmc.ncbi.nlm.nih.gov/articles/PMC11048354/
71. Spot | Boston Dynamics, https://bostondynamics.com/products/spot/
72. US firm builds self-righting robot that can get up after falling, https://www.roboticsandautomationmagazine.co.uk/news/rd/us-firm-builds-self-righting-robot-that-can-get-up-after-falling.html
73. Research on Self-Recovery Control Algorithm of Quadruped Robot Fall Based on Reinforcement Learning - MDPI, https://www.mdpi.com/2076-0825/12/3/110
74. Dynamic Fall Recovery Control for Legged Robots via Reinforcement Learning - MDPI, https://www.mdpi.com/2313-7673/9/4/193
75. Training a Whole-Body Control Foundation Model - Agility Robotics, https://www.agilityrobotics.com/content/training-a-whole-body-control-foundation-model
76. Dynamic Balance Force Control for compliant humanoid robots - ResearchGate, https://www.researchgate.net/publication/224199031_Dynamic_Balance_Force_Control_for_compliant_humanoid_robots
77. Dynamic Balancing of Humanoid Robot with Proprioceptive Actuation: Systematic Design of Algorithm, Software, and Hardware, https://pmc.ncbi.nlm.nih.gov/articles/PMC9500612/
78. Robot Control - Humanoids and Human Centered Mechatronics - IIT, https://hhcm.iit.it/robot-control
79. Atlas robot takes a major leap in perception and object manipulation - New Atlas, https://newatlas.com/robotics/atlas-boston-throw/
80. Tesla Optimus Robot Showcases Advanced Walking on Uneven Terrain - YouTube, https://www.youtube.com/watch?v=0MwiLIIWd-k
81. ‘To walk like a human, you must first learn…’: Elon Musk’s Tesla robot stumbles while learning to walk on slopes | - Times of India, https://timesofindia.indiatimes.com/technology/social/to-walk-like-a-human-you-must-first-learn-elon-musks-tesla-robot-stumbles-while-learning-to-walk-on-slopes/articleshow/116285263.cms
82. 휴머노이드 로봇 정의와 기술의 미래 전망 - 알체라, https://www.alchera.ai/resource/blog/humanoid-robot
83. Intelligent Humanoid Robots: An Overview and Focus on Visual Perception Systems, https://www.basic.ai/blog-post/intelligent-humanoid-robots-vision-perception
84. Tesla’s Robot, Optimus: Everything We Know | Built In, https://builtin.com/robotics/tesla-robot
85. Unitree G1 Humanoid Robot - RobotShop, https://www.robotshop.com/products/unitree-g1-humanoid-robot-us
86. Large Behavior Models and Atlas Find New Footing | Boston Dynamics, https://bostondynamics.com/blog/large-behavior-models-atlas-find-new-footing/
87. List of Biggest Manufacturers for Humanoid Robots - SentiSight.ai, https://www.sentisight.ai/biggest-manufacturers-of-humanoid-robots/
88. Figure’s Strategic Partnership With BMW: Pioneering General Purpose Robots in Automotive Manufacturing - AiThority, https://aithority.com/technology/figures-strategic-partnership-with-bmw-pioneering-general-purpose-robots-in-automotive-manufacturing/
89. Why Are Humanoid Robot Batteries So Short-Lived? The “Hexagonal Warrior” Dilemma, http://www.pacbattery.com/why-are-humanoid-robot-batteries-so-short-lived.html
90. How Custom-Shaped Battery Packs Optimize Humanoid Robot Structure and Space Utilization, https://www.large-battery.com/blog/custom-shaped-battery-packs-humanoid-robot-space-optimization/
91. Batteries Are the Backbone of the AI-Powered Future, https://www.batterydesign.net/batteries-are-the-backbone-of-the-ai-powered-future/
92. Humanoid Robot Battery Navigating Dynamics Comprehensive Analysis and Forecasts 2025-2033 - Market Insights Report, https://www.marketreportanalytics.com/reports/humanoid-robot-battery-81744
93. Robot Battery Technologies - Meegle, https://www.meegle.com/en_us/topics/robotics/robot-battery-technologies
94. Robotics Batteries: Key Market Insights and Emerging Technologies, https://www.marketsandmarkets.com/ResearchInsight/future-of-robotics-batteries.asp
95. Humanoid robotics, 2025 Market trends, critical components & strategic shifts - digitimes, https://www.digitimes.com/reports/ai/2025_robots/
96. How much do robots cost? 2025 price breakdown - Standard Bots, https://standardbots.com/blog/how-much-do-robots-cost
97. Global Automation Humanoid Robot The AI accelerant - Goldman Sachs, https://www.goldmansachs.com/pdfs/insights/pages/gs-research/global-automation-humanoid-robot-the-ai-accelerant/report.pdf
98. Humanoid Robot Safety Standards for Secure Development - Buzzmatic, https://buzzmatic.net/en/blog/humanoid-robot-safety-standards/
99. Functional Safety for Humanoid Robots | Saphira Blog - Saphira AI, https://www.saphira.ai/blog/functional-safety-for-humanoid-robots
100. HUMAN AND ROBOTS CODE OF CONDUCT: humanoid robots | Asamaka Industries Ltd, https://www.automate.org/robotics/news/human-and-robots-code-of-conduct-what-do-we-need-to-know-about-working-with-humanoid-robots
101. News: Ethical Considerations in the Development and Deployment of Robots, https://www.automate.org/news/ethical-considerations-in-the-development-and-deployment-of-robots-116
102. How Ethical Issues Raised by Human–Robot Interaction can Impact the Intention to use the Robot? - PMC - PubMed Central, https://pmc.ncbi.nlm.nih.gov/articles/PMC8756753/
103. IFR predicts top 5 global robotics trends for 2025 - The Robot Report, https://www.therobotreport.com/ifr-predicts-top-5-global-robotics-trends-for-2025/
104. Top five global robotics trends for 2025 - Evertiq, https://evertiq.com/news/57148
105. 로봇신문, https://www.irobotnews.com/