년 4월 AI 및 로봇 연구 동향

1. 서론: 2021년 4월 AI 및 로봇 공학의 지형도

2021년 4월은 인공지능(AI)과 로봇 공학 분야가 단순한 기술적 성장을 넘어 사회적, 이론적, 산업적 성숙 단계로 진입하는 중요한 변곡점이었음을 선언한다. 이 시기는 AI 기술의 영향력이 임계점을 넘어서면서 외부로부터의 규제 논의가 본격화되고(top-down), 내부적으로는 파편화된 연구들을 통합하려는 이론적 시도가 무르익었으며(bottom-up), 동시에 오랜 연구개발의 결실이 구체적인 산업 자동화 솔루션으로 나타나는(lab-to-market) 세 가지 흐름이 명확하게 교차한 시점이다.

본 보고서는 이 세 가지 핵심 축을 중심으로 2021년 4월의 주요 동향을 심층 분석한다. 첫째, **규제(Regulation)**의 축에서는 유럽연합(EU)이 세계 최초의 포괄적인 AI 규제 프레임워크인 ‘AI 법안(AI Act)’ 초안을 발표하며 기술 거버넌스의 새로운 장을 열었다.1 이는 AI 기술이 더 이상 규제의 공백 지대에 머물 수 없으며, 사회적 합의와 법적 틀 안에서 발전해야 함을 명시한 중대한 사건이다. 둘째, **이론(Theory)**의 축에서는 딥러닝 아키텍처의 근본 원리를 기하학적 대칭성으로 통합하려는 시도인 “Geometric Deep Learning” 5과 데이터로부터 수학 법칙을 자동 발견하는 “심층 심볼릭 회귀(Deep Symbolic Regression)” 29 연구가 발표되며 학문적 깊이를 더했다. 이는 경험적 성공을 넘어 제1원리에 기반한 이해를 추구하는 학계의 성숙을 보여준다. 셋째, **응용(Application)**의 축에서는 보스턴 다이내믹스가 물류 자동화에 특화된 로봇 ’스트레치(Stretch)’를 공개하며 28, 첨단 로봇 기술의 상업적 실용성을 입증했다.

본 보고서는 1장에서 AI 규제의 신호탄이 된 EU AI Act를 분석하고, 2장에서는 딥러닝의 이론적 토대를 재정립한 기초 연구들을 탐구하며, 3장에서는 이러한 기술들이 로봇 공학을 통해 산업 현장에 적용되는 양상을 고찰한다. 마지막으로 결론에서는 이 세 가지 흐름의 상호작용을 분석하고 미래를 전망한다.

2. 인공지능 규제의 서막: 유럽연합 AI 법안(EU AI Act) 초안

2.1 위험 기반 접근 방식(Risk-Based Approach)의 상세 분석

2021년 4월 유럽 집행위원회(European Commission)가 제안한 AI 법안 초안은 세계 최초의 포괄적인 AI 법률 프레임워크로서, AI 기술의 개발과 사용에 대한 명확한 조건을 보장하려는 EU 디지털 전략의 핵심이다.1 이 법안의 핵심 철학은 모든 AI를 동일하게 규제하는 것이 아니라, 사회와 개인에게 미치는 잠재적 위험 수준에 따라 규제를 차등 적용하는 ’위험 기반 접근 방식(Risk-Based Approach)’이다.2 이는 기술의 혁신을 과도하게 저해하지 않으면서도 시민의 기본권을 보호하려는 균형 잡힌 시각을 반영한다. 법안은 AI 시스템을 네 가지 위험 등급으로 분류하여 각기 다른 수준의 규제를 적용한다.

2.1.1 단계 위험 등급 분류 체계

• 수용 불가 위험 (Unacceptable Risk): 인간의 안전, 생계, 권리에 명백한 위협으로 간주되는 AI 시스템으로, 사용이 전면 금지된다. 이는 AI 기술이 넘어서는 안 될 윤리적 경계선을 설정한 것으로 볼 수 있다. 구체적 예시로는 정부가 시민을 평가하는 ‘사회적 점수화(social scoring)’, 인간의 취약점을 이용해 자유의지를 왜곡하는 ‘잠재의식적 행동 조작’, 아동에게 위험한 행동을 하도록 장려하는 음성 인식 장난감 등이 포함된다.1 또한, 법 집행 목적의 일부 엄격한 예외를 제외하고 공공장소에서 실시간 원격 생체 인식 시스템(예: 안면 인식)을 사용하는 것도 금지된다.1

• 고위험 (High-Risk): 건강, 안전, 기본권에 심각한 위험을 초래할 수 있는 AI 시스템이 이 범주에 속한다. 교통, 에너지와 같은 핵심 인프라의 안전 구성 요소, 의료 기기, 교육 및 직업 훈련, 고용 및 인사 관리, 필수 공공 및 민간 서비스 접근, 법 집행, 이민 및 국경 통제, 사법 및 민주적 절차 관리 등 사회의 근간을 이루는 8개 특정 영역에 사용되는 AI가 해당된다.1 이러한 시스템은 시장에 출시되기 전과 라이프사이클 전반에 걸쳐 엄격한 의무사항을 준수해야 한다. 여기에는 적절한 위험 평가 및 완화 시스템 구축, 편향을 최소화하기 위한 고품질 데이터셋 사용, 시스템 작동을 기록하는 로깅 기능, 규제 당국이 평가할 수 있는 상세한 기술 문서 제공, 적절한 수준의 인간 감독 보장, 그리고 높은 수준의 견고성, 보안 및 정확성 확보가 포함된다.1

• 제한된 위험 (Limited Risk) / 특정 투명성 위험 (Specific Transparency Risk): 이 범주의 AI 시스템은 사용자가 AI와 상호작용하고 있음을 인지하고 정보에 입각한 결정을 내릴 수 있도록 투명성 의무가 부과된다.1 예를 들어, 챗봇을 사용하는 시민은 자신이 기계와 대화하고 있음을 고지받아야 한다. 딥페이크와 같이 AI에 의해 생성되거나 조작된 콘텐츠의 경우, 해당 콘텐츠가 인위적으로 생성되었음을 명확히 공개해야 한다. ChatGPT와 같은 생성형 AI는 고위험으로 분류되지는 않지만, 콘텐츠가 AI에 의해 생성되었음을 공개하고, 불법 콘텐츠 생성을 방지하도록 모델을 설계하며, 학습에 사용된 저작권 데이터를 요약하여 공개해야 하는 등의 투명성 요구사항을 준수해야 한다.1

• 최소 위험 (Minimal Risk): AI 기반 비디오 게임이나 스팸 필터와 같이 위험이 거의 없거나 전혀 없는 대다수의 AI 시스템이 여기에 해당한다. 법안은 이러한 AI에 대해 별도의 법적 의무를 부과하지 않으며, 기업들이 자발적으로 행동 강령을 준수하도록 권장한다.2

이러한 체계적인 분류는 규제의 효율성을 높이고, 불필요한 산업 위축을 방지하며, 동시에 중대한 위험으로부터 사회를 보호하려는 입법 의도를 명확히 보여준다.

표 1: EU AI Act의 위험 등급별 분류 및 핵심 요구사항

2.2 AI 연구 및 산업에 미치는 영향

EU AI Act 초안의 발표는 AI 연구 및 산업계에 즉각적이고 심대한 영향을 미쳤다. 이는 기회와 도전을 동시에 제시하며, AI 개발의 패러다임 자체를 변화시킬 잠재력을 내포하고 있다.

우선, 규제 준수 비용과 혁신 저해에 대한 우려가 제기된다. 특히 고위험 AI 시스템에 부과되는 데이터 거버넌스, 위험 관리, 문서화, 사후 모니터링 등의 엄격한 요구사항은 상당한 기술적, 재정적 부담으로 작용할 수 있다. 이는 자원이 부족한 스타트업이나 중소기업(SME)에게는 시장 진입 장벽을 높여, 거대 기술 기업 중심의 시장 고착화를 심화시킬 수 있다는 비판을 받는다.3 개발 속도 저하와 실험적인 연구 위축 가능성 또한 배제할 수 없다.

그러나 이러한 도전의 이면에는 ‘신뢰할 수 있는 AI(Trustworthy AI)’ 생태계 조성이라는 거대한 기회가 존재한다. 명확한 법적 프레임워크는 AI 기술에 대한 사회적 수용성을 높이고 대중의 신뢰를 구축하는 기반이 된다. 소비자와 기업이 AI 시스템을 안전하다고 믿을 때, 기술의 도입과 확산은 더욱 가속화될 수 있다. 이는 장기적으로 AI 산업의 건전하고 지속가능한 성장을 촉진하는 긍정적인 요인으로 작용할 것이다.2 EU는 이러한 긍정적 효과를 극대화하기 위해, 기업들이 실제와 유사한 통제된 환경에서 규제 당국의 감독 하에 혁신적인 AI 시스템을 테스트할 수 있도록 하는 ’규제 샌드박스(Regulatory Sandbox)’와 같은 지원책을 마련할 계획이다.1

또한, 이 법안은 AI 개발의 중심축을 이동시키고 있다. 지금까지 AI, 특히 딥러닝 분야는 빠른 실험과 성능 개선을 최우선으로 하는 ‘Move Fast and Break Things’ 문화가 지배적이었다. 그러나 EU AI Act, 특히 고위험군에 대한 엄격한 사전 평가 및 지속적인 모니터링 요구는 이러한 개발 문화에 근본적인 제동을 건다. 이는 AI 개발 라이프사이클에 ’규제 준수(compliance)’와 ’위험 관리(risk management)’라는 새로운 단계를 강제적으로 통합시키는 것을 의미한다. 따라서, 단순히 알고리즘의 정확도를 높이는 것을 넘어, 모델의 견고성, 투명성, 공정성, 설명가능성을 입증하는 것이 연구 및 개발의 핵심 과제로 부상할 것이다. 이는 MLOps(Machine Learning Operations)의 개념이 규제 준수와 감사 추적 기능까지 포함하도록 확장되어야 함을 시사한다.

이러한 변화는 ’AI 거버넌스’라는 새로운 시장의 창출로 이어진다. AI Act의 복잡한 요구사항은 기업들이 자체적으로 해결하기 어려운 전문 분야이다. 위험 평가, 데이터셋 품질 검증, 모델 감사, 기술 문서 작성, 규제 당국 보고 등 법안 준수를 지원하는 새로운 서비스 및 솔루션에 대한 수요가 폭발적으로 증가할 것이다. 이는 법률, 기술, 컨설팅이 융합된 ‘AI 거버넌스’ 또는 ’AI 규제 기술(RegTech)’이라는 새로운 산업 생태계의 탄생을 예고한다. AI 모델의 편향성을 탐지하고 완화하는 도구, AI의 결정 과정을 설명하는 XAI(Explainable AI) 솔루션, 규제 준수 과정을 자동화하는 플랫폼 등이 이 시장의 핵심이 될 것이다.

2.3 글로벌 표준으로서의 의의와 ‘브뤼셀 효과’

EU AI Act는 유럽을 넘어 전 세계 AI 규제 지형에 깊은 영향을 미칠 것으로 예상된다. 세계 최초의 포괄적 AI 법안이라는 선점 효과 덕분에, 이 법안은 향후 여러 국가에서 진행될 AI 규제 논의의 중요한 기준점, 즉 ’글로벌 골드 스탠다드’가 될 가능성이 높다.2

이는 ’브뤼셀 효과(Brussels Effect)’라는 현상을 통해 더욱 증폭될 수 있다. 브뤼셀 효과란, EU가 거대한 단일 시장의 힘을 바탕으로 특정 산업에 대한 규제를 도입했을 때, EU 시장에 진출하려는 글로벌 기업들이 자사의 제품과 서비스를 EU 기준에 맞춰 설계하게 되고, 결과적으로 EU의 규제가 사실상의 글로벌 표준으로 확산되는 현상을 의미한다. AI 분야에서도 마찬가지로, 구글, 마이크로소프트, 아마존 등 글로벌 AI 기업들은 유럽 시장을 위해 AI Act를 준수하는 시스템을 개발할 가능성이 높다. 이 과정에서 이중 개발 비용을 피하기 위해 다른 시장에서도 동일한 높은 기준을 적용하게 되면, EU의 규제 프레임워크가 전 세계로 퍼져나갈 수 있다. 이 법안의 통과는 미국 등 아직 포괄적인 AI 규제가 없는 국가에서 활동하는 기업들에게 이중 규제 부담을 피하기 위해 EU 표준을 선제적으로 따르도록 압력을 가할 수 있다.3 이는 국제적인 AI 거버넌스 논의에서 EU의 주도권을 강화하는 동시에, 전 세계적으로 인간 중심적이고 신뢰할 수 있는 AI 개발 문화를 확산시키는 데 기여할 수 있다.

3. 딥러닝의 통일 이론을 향하여: 기초 연구의 약진

2021년 4월은 AI 규제라는 외부적 압력뿐만 아니라, 딥러닝 분야의 내적 성숙을 보여주는 중요한 이론적 성과들이 발표된 시기이기도 하다. 이는 2010년대의 폭발적인 경험적 성공을 넘어, 다양한 현상들을 아우르는 통일된 원리를 찾으려는 학문적 노력의 결실이다.

3.1 기하학적 딥러닝(Geometric Deep Learning): 5G 프레임워크의 등장

2021년 4월 27일 arXiv에 등재된 Michael M. Bronstein, Joan Bruna, Taco Cohen, Petar Veličković의 논문 “Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges“는 딥러닝 분야에 중요한 이론적 이정표를 제시했다.5 이 연구는 19세기 수학자 펠릭스 클라인(Felix Klein)이 그의 에를랑겐 프로그램(Erlangen Programme)에서 기하학을 ’특정 변환군(group of transformations) 하에서 변하지 않는 속성(invariants), 즉 대칭성(symmetries)에 대한 연구’로 재정의한 것에서 깊은 영감을 받았다.7 이와 유사하게, 본 논문은 딥러닝 아키텍처를 **‘데이터가 존재하는 도메인의 기하학적 구조와 그에 내재된 대칭성에 대한 귀납적 편향(inductive bias)’**으로 재해석한다.

이 연구의 핵심 목표는 CNN, RNN, GNN, Transformer 등 각기 다른 데이터와 문제에 맞춰 개별적으로 발전해 온 다양한 신경망 아키텍처들의 ’동물원(zoo)’을 하나의 통일된 원리 아래에서 체계적으로 설명하고 유도하는 것이다.5 즉, 특정 아키텍처가 특정 문제에서 성공적인 이유가 우연이 아니라, 해당 데이터의 근본적인 대칭성을 효과적으로 포착했기 때문이라는 점을 밝히는 것이다.

이를 위해 저자들은 **‘5G 프레임워크’**라는 청사진을 제시한다. 이는 데이터가 존재하는 기하학적 도메인을 5가지로 분류하고, 각 도메인의 대칭성에 맞는 신경망 아키텍처를 설계하는 원리를 제공한다.11

• Grids (격자): 이미지, 비디오, 시계열 데이터 등 유클리드 공간상의 규칙적인 격자 구조를 의미한다. 이 도메인의 핵심 대칭성은 **병진 대칭성(translational symmetry)**으로, 객체의 위치가 변하더라도 그 본질은 변하지 않는다는 성질이다. 이 대칭성을 구현한 아키텍처가 바로 **합성곱 신경망(CNN)**이다. CNN의 합성곱 필터는 이미지의 모든 위치에 동일하게 적용됨으로써 병진 등변성(equivariance)을 학습한다.

• Groups (군) 및 동차 공간(Homogeneous Spaces): 구(sphere)와 같이 전역적인 대칭 변환(global symmetry transformations)이 존재하는 공간을 다룬다. 예를 들어, 구 위의 데이터는 어떤 방향으로 회전시켜도 그 구조적 특성이 변하지 않는다. 이러한 회전 대칭성을 모델에 직접 내장한 것이 **군 동변 신경망(Group Equivariant CNNs)**이다.

• Graphs (그래프): 소셜 네트워크, 분자 구조, 인용 네트워크 등 노드와 엣지로 구성된 비정형 관계형 데이터를 다룬다. 그래프 데이터의 핵심 대칭성은 **순열 대칭성(permutation symmetry)**이다. 노드의 인덱스 순서를 바꾸더라도 그래프의 구조적 정보는 변하지 않아야 한다. 이 순열 불변성/등변성을 구현한 아키텍처가 바로 **그래프 신경망(GNN)**이다.

• Geodesics (측지선) 및 Manifolds (다양체): 3D 형상이나 지구 표면과 같이 휘어진 비유클리드 공간(non-Euclidean space)을 의미한다. 이 공간에서는 두 점 사이의 거리가 직선이 아닌 측지선(geodesic)으로 정의된다. 이 도메인의 핵심 대칭성은 **등장 변환 불변성(isometry invariance)**으로, 공간을 휘거나 늘리지 않는 변환에 대해 속성이 변하지 않아야 한다. 메시(Mesh) CNN 등이 이러한 구조를 다룬다.

• Gauges (게이지): 물리학의 게이지 이론에서 영감을 받은 개념으로, 각 점마다 다른 국소적인 대칭 변환(local gauge transformations)을 갖는 복잡한 구조를 다룬다. 이는 벡터장(vector field)이나 물리 시스템의 상호작용을 모델링하는 데 사용될 수 있으며, **게이지 동변 신경망(Gauge Equivariant Neural Networks)**이 이를 구현하려는 시도이다.

이러한 통일적 시각은 2010년대 딥러닝의 부흥이 주로 경험적 성공에 의해 주도되었던 것에서 한 단계 나아가는 것을 의미한다. 특정 아키텍처가 왜 잘 작동하는지에 대한 근본적인 이론적 설명이 부족했던 상황에서, “Geometric Deep Learning“은 이들의 성공이 우연이 아니라 데이터에 내재된 ’대칭성’이라는 근본적인 기하학적 원리를 포착했기 때문이라고 주장한다. 이는 마치 뉴턴이 행성의 운동을 만유인력이라는 통일된 법칙으로 설명한 것과 유사한 패러다임 전환을 시도하는 것으로, 딥러닝 커뮤니티가 ’어떻게(how)’를 넘어 ’왜(why)’와 ’무엇(what)’을 탐구하는, 즉 제1원리(first principles)에 기반한 이해와 발견의 단계로 나아가고 있음을 시사한다.

3.2 데이터로부터의 법칙 발견: 심층 심볼릭 회귀(Deep Symbolic Regression)

ICLR 2021에서 구두 발표로 선정된 Brenden Petersen 등의 논문 “Deep symbolic regression: Recovering mathematical expressions from data via risk-seeking policy gradients“는 딥러닝의 또 다른 이론적 지평을 열었다.30 이 연구는 데이터로부터 인간이 해석 가능한 간결한 수학 공식을 자동으로 발견하는 심볼릭 회귀(Symbolic Regression) 문제에 딥러닝과 강화학습을 결합한 혁신적인 접근법을 제시했다.

3.2.1 방법론

전통적인 회귀 분석이 미리 정해진 모델 구조(예: 선형, 다항식)의 매개변수를 찾는 것과 달리, 심볼릭 회귀는 모델의 구조 자체를 탐색한다. 이 연구는 이 거대한 탐색 문제를 다음과 같은 방식으로 해결한다.

1. RNN을 이용한 수식 생성: 수학 공식을 연산자(+, ×, sin), 변수(x1​,x2​), 상수 등의 토큰(token)으로 구성된 시퀀스로 간주한다. 그리고 이 시퀀스를 **순환 신경망(RNN)**이 자기회귀적(auto-regressive) 방식으로 생성하도록 한다.29 구체적으로, 수식을 이진 트리(expression tree)로 표현하고, 이 트리를 선행 순회(pre-order traversal)한 순서에 따라 RNN이 다음 토큰이 등장할 확률 분포를 순차적으로 출력한다. 이 과정을 통해 RNN은 방대한 수식의 공간 위에 확률 분포를 정의하게 된다.

2. 강화학습 기반 최적화: 생성된 수식을 실제 데이터셋에 적용하여 얼마나 잘 맞는지를 평가하고, 그 적합도(fitness, 예: 낮은 평균 제곱 오차)를 보상(reward)으로 사용한다. 이 보상 신호를 이용해 정책 경사(policy gradient) 알고리즘으로 RNN의 파라미터를 업데이트한다. 이 과정을 반복하면 RNN은 점차 더 높은 보상을 받는, 즉 데이터에 더 잘 맞는 수식을 생성할 확률을 높이도록 학습된다.29

3. 위험 추구 정책 경사 (Risk-Seeking Policy Gradient): 이 연구의 핵심적인 혁신은 일반적인 정책 경사법과 다르다는 점에 있다. 일반적인 방법은 샘플링된 모든 수식의 평균적인 보상을 극대화하는 것을 목표로 한다 (J(θ)=Eτ∼p(τ∣θ)​). 하지만 심볼릭 회귀에서는 대부분의 무작위 수식은 성능이 매우 낮고, 극소수의 수식만이 높은 성능을 보인다. 따라서 평균 보상에 집중하면 학습이 비효율적일 수 있다. 연구팀은 이 문제를 해결하기 위해 ‘위험 추구(risk-seeking)’ 전략을 제안했다. 이는 전체의 평균이 아닌, 샘플링된 수식 중 보상 기준으로 상위 일부(ϵ-quantile)에 해당하는, 즉 ’최상의 경우(best-case)’의 수식들에 대해서만 보상을 극대화하도록 학습하는 방식이다. 이 전략은 거대한 탐색 공간에서 드물게 나타나는 최적의 해를 훨씬 효율적으로 찾도록 돕는다.30

3.2.2 기존 방법론 대비 우수성 및 의의

연구팀은 제안된 심층 심볼릭 회귀(DSR) 알고리즘을 벤치마크 데이터셋에서 기존의 강력한 방법론인 유전 프로그래밍(Genetic Programming, GP) 및 상용 소프트웨어인 Eureqa와 비교했다. 실험 결과, DSR은 노이즈가 없는 데이터와 있는 데이터 모두에서 정답 수식을 정확하게 복원하는 능력에서 기존 방법들을 월등히 능가하는 성능을 보였다.30

이 연구는 딥러닝을 블랙박스 예측 모델을 넘어, 과학적 발견의 도구로 활용할 수 있는 가능성을 제시했다는 점에서 큰 의의를 가진다. AI가 데이터 분석을 통해 인간 과학자가 이해하고 검증할 수 있는 간결한 가설(수학 공식)을 제시하는 역할을 할 수 있음을 보여준 것이다.35 이는 AI를 단순한 예측 도구에서 과학적 발견의 파트너로 격상시키는 중요한 전환점이 될 수 있다.

3.3 주요 학회(ICLR, AISTATS) 및 arXiv 핵심 연구 동향

2021년 4월에는 딥러닝의 이론적 토대를 다지는 연구 외에도, 특정 응용 분야의 난제를 해결하는 주목할 만한 연구들이 다수 공개되었다.

3.3.1 PointDETR: 약한 준지도 객체 탐지

2021년 4월 15일 arXiv에 공개된 “Points as Queries: Weakly Semi-supervised Object Detection by Points“는 객체 탐지(object detection) 분야의 고질적인 문제인 레이블링 비용을 획기적으로 줄이기 위한 새로운 접근법을 제시했다.46 객체의 위치를 정확한 경계 상자(bounding box)로 표시하는 대신,

객체당 하나의 점(point)만으로 주석을 다는 새로운 약한 준지도 학습(Weakly Semi-supervised Object Detection, WSSOD) 방식을 제안한 것이다.

이 연구는 트랜스포머(Transformer) 기반의 객체 탐지기인 DETR(DEtection TRansformer) 아키텍처를 기반으로 한다. DETR은 고정된 수의 학습 가능한 ’객체 쿼리(object queries)’를 사용하여 이미지 전체의 맥락을 보고 객체를 예측한다. 연구팀은 여기에 **‘Point Encoder’**라는 모듈을 추가하여 PointDETR 모델을 개발했다.46 Point Encoder는 주석으로 주어진 점의 위치와 카테고리 정보를 객체 쿼리에 직접 인코딩한다. 즉, ‘점을 쿼리로(Points as Queries)’ 사용하는 것이다. 이 방식을 통해 모델은 어떤 위치에 어떤 종류의 객체가 있는지를 명시적으로 알게 되어, 훨씬 적은 정보로도 정확한 경계 상자를 예측할 수 있게 된다.

실험 결과는 인상적이었다. 대규모 데이터셋인 MS-COCO에서 단 20%의 데이터에만 완전한 경계 상자 레이블을 사용하고 나머지 80%에는 점 주석만 사용했음에도 불구하고, PointDETR은 33.3 AP(Average Precision)를 달성했다. 이는 당시 강력한 베이스라인이었던 FCOS보다 2.0 AP 높은 성능으로, 점 주석 방식의 높은 효율성과 잠재력을 명확히 입증한 결과다.46

3.3.2 ICLR & AISTATS 2021 동향

2021년의 대표적인 머신러닝 학회인 ICLR(International Conference on Learning Representations)과 AISTATS(International Conference on Artificial Intelligence and Statistics)에서도 다양한 연구가 발표되며 해당 시점의 연구 동향을 엿볼 수 있었다. ICLR 2021에는 총 3014편의 논문이 제출되어 그 중 860편이 포스터, 114편이 스포트라이트, 53편이 구두 발표로 채택되는 등 치열한 경쟁을 보였다.49 AISTATS 2021 역시 베이즈 통계, 강화학습, 최적화 이론, 공정성 등 AI와 통계학의 접점에 있는 깊이 있는 연구들을 다수 선보였다.51 이들 학회에서 공통적으로 나타난 주요 연구 흐름은 표현 학습(representation learning)의 고도화, 특히 자기 지도 학습(self-supervised learning)의 확장, 그리고 모델의 견고성(robustness), 공정성(fairness), 설명가능성(explainability)과 같은 신뢰성 관련 주제에 대한 관심 증가였다. 이는 1장에서 다룬 AI 규제 논의와 맞물려, AI 기술이 사회에 미치는 영향을 고려하는 책임감 있는 연구의 중요성이 학계에서도 점차 커지고 있음을 보여준다.

4. 로봇 공학의 진화: 연구실에서 산업 현장으로

AI 분야의 이론적 발전은 로봇 공학이라는 물리적 실체를 통해 현실 세계에 구현된다. 2021년 4월은 첨단 로봇 기술이 연구실의 성과를 넘어, 산업 현장의 구체적인 문제를 해결하는 실용적인 솔루션으로 진화하는 모습을 명확히 보여준 시기였다.

4.1 물류 혁신의 주역: 보스턴 다이내믹스 ‘스트레치’ 로봇

2021년 4월, 로봇 공학계의 선두주자인 보스턴 다이내믹스는 창고 및 물류센터의 상하차 작업을 자동화하기 위해 특별히 설계된 신규 로봇 ’스트레치(Stretch)’를 공개했다.39 이는 네 발로 걷는 로봇 ’스팟(Spot)’에 이은 두 번째 상용 로봇으로, 보스턴 다이내믹스가 엔터테인먼트나 연구 목적을 넘어 본격적으로 산업 자동화 시장에 진출했음을 알리는 신호탄이었다. 스트레치의 목표는 명확하다: 물류 현장에서 가장 힘들고 부상 위험이 높으며 인력 수급이 어려운 작업 중 하나인 트럭 및 컨테이너의 박스 하역 작업을 자동화하는 것이다. 이를 통해 ‘지루하고, 더럽고, 위험한(dull, dirty, and dangerous)’ 반복적인 수작업을 대체하여 물류 효율성과 작업장 안전을 동시에 개선하는 것을 목표로 한다.41

4.1.1 핵심 기술 사양

스트레치는 춤을 추거나 공중제비를 돌지는 않지만, 물류 현장에 최적화된 고도의 기술이 집약된 ‘일꾼’ 로봇이다.

• 형태 및 구조: 표준 팔레트와 거의 동일한 크기(약 1.25m x 1m)의 이동형 베이스(mobile base) 위에, 7자유도(7-DoF)를 가진 강력한 로봇 팔이 장착된 형태이다.40 이 작은 풋프린트 덕분에 기존 창고의 좁은 통로와 트럭 내부를 자유롭게 이동할 수 있다.

• 작업 능력: 로봇 팔 끝에는 수십 개의 흡착 컵으로 구성된 대형 진공 그리퍼(vacuum suction array)가 달려있다. 이를 이용해 최대 50파운드(약 23kg) 무게의 상자를 안정적으로 들어 올릴 수 있으며, 시간당 수백 개(자료에 따라 최대 800개)의 상자를 일관된 속도로 처리할 수 있다.40

• 자율성과 지능: 스트레치의 가장 큰 특징은 높은 수준의 자율성이다. 온보드 컴퓨터 비전 시스템은 다중 카메라, 3D 깊이 센서, LiDAR를 활용하여 트럭 내부에 쌓인 상자들을 실시간으로 인식하고 분석한다.40 따라서 작업자가 일일이 로봇을 조종하거나 사전에 상자 위치를 프로그래밍할 필요가 없다. 로봇 스스로 최적의 작업 순서를 계획하고 실행하며, 작업 도중 상자가 무너지거나 떨어지더라도 이를 감지하고 스스로 회수하여 작업을 계속할 수 있다.39

• 운영 효율성: 스트레치는 전기로 구동되며, 표준 배터리 팩으로 약 8시간, 고용량 옵션을 선택하면 최대 16시간까지 연속 작업이 가능해 2교대 근무를 완벽히 소화할 수 있다.40 또한, 외부 전원(shore power)을 직접 연결하면 중단 없는 24시간 운영도 가능하다.40

표 2: 보스턴 다이내믹스 ‘스트레치’ 로봇 핵심 기술 사양

4.1.2 산업적 영향 및 장점

스트레치의 등장은 로봇 상용화의 전략적 방향성을 제시한다. 과거 로봇 연구가 인간처럼 모든 것을 할 수 있는 범용 휴머노이드에 대한 기대를 품었다면, 스트레치의 사례는 상업적 성공의 열쇠가 ’상하차’라는 매우 구체적이고 반복적인 하나의 ’병목 작업’에 대한 **‘특화된 신뢰성’**에 있음을 명확히 보여준다. 스트레치는 2교대 근무 시간 내내 지치지 않고 일관된 속도로 상자를 옮기는 신뢰성을 제공하며, 이것이 바로 물류 기업이 높은 비용을 지불하는 핵심 가치이다.42

스트레치의 또 다른 중요한 장점은 기존 인프라와의 높은 호환성이다. 창고 전체를 자동화 설비로 개조할 필요 없이, 기존의 하역장에 스트레치 로봇과 컨베이어 벨트만 배치하면 즉시 운영이 가능하다. 설치에 걸리는 시간도 며칠에 불과하여 신속한 도입이 가능하다.41 이는 막대한 초기 투자 비용 없이 점진적으로 자동화를 도입하고자 하는 기업들에게 매력적인 솔루션이다.

궁극적으로 스트레치는 물류 산업의 고질적인 노동력 부족 문제를 해결하고, 근골격계 질환 등 부상 위험이 높은 작업을 자동화하여 작업 환경을 근본적으로 개선할 잠재력을 가지고 있다.40 현재는 트럭 하역에 집중하고 있지만, 그 유연한 플랫폼은 향후 팔레트에 상자를 쌓는 팔레타이징(palletizing), 주문에 맞춰 상품을 집는 오더 피킹(order picking) 등 다양한 창고 내 작업으로 확장이 기대된다.43

4.2 미래 기술의 요람: ICRA 2021 및 주요 연구 동향

로봇 공학 분야 최고 권위 학회 중 하나인 ICRA(International Conference on Robotics and Automation) 2021에서는 산업 현장의 즉각적인 수요를 넘어 미래 로봇 기술의 가능성을 탐색하는 다양한 연구들이 발표되었다. MIT, 카네기 멜런 대학(CMU), 에든버러 대학 등 세계 유수의 연구 기관들이 참여하여 로봇 공학의 지평을 넓혔다.55

• 소프트 로보틱스 및 생체 모방: 딱딱한 금속이 아닌 유연한 소재로 만들어져 인간 및 주변 환경과 안전하게 상호작용할 수 있는 소프트 로봇 연구가 활발히 진행되었다. 국내 연구진은 생체 근육을 모사한 착용형 인공근육 액추에이터를 개발하여, 저전압으로 피아노 연주나 스마트폰 조작이 가능할 정도의 섬세하고 정밀한 움직임을 구현하는 데 성공했다.59 한편, 카네기 멜런 대학에서는 뱀의 움직임을 모방한 수중 로봇(HUMRS, Hardened Underwater Modular Robot Snake)을 선보였다. 이 로봇은 좁은 공간을 유연하게 탐색할 수 있어, 항구에 정박한 해군 함정이나 잠수함의 외부를 검사하는 데 활용될 수 있다.39

• 보조 및 재활 로봇: 고령화 사회 진입과 함께 삶의 질 향상을 위한 보조 및 재활 로봇의 중요성이 커지고 있다. 위스콘신-밀워키 대학(UWM)의 바이오로보틱스 랩은 뇌졸중 및 척수 손상 환자들이 일상생활을 독립적으로 수행할 수 있도록 돕는 휠체어 장착형 로봇 팔을 개발했다.60 또한, AI를 통해 사용자의 움직임 의도를 파악하고 필요한 만큼만 힘을 보조해주는 착용형 외골격(exoskeleton) 재활 로봇 연구도 발표되었다.60

• 다중 로봇 협업 및 극한 환경 탐사: 단일 로봇의 한계를 극복하기 위한 다중 로봇 협업 시스템 연구도 주요 흐름 중 하나였다. 펜실베이니아 대학 연구팀이 주도하는 TRUSSES 프로젝트는 바퀴형 로버와 다리형 로봇을 물리적으로 연결하여 서로의 장점을 결합하는 하이브리드 시스템을 시연했다. 안정적이지만 기동성이 떨어지는 바퀴형 로봇과, 기동성은 뛰어나지만 쉽게 넘어질 수 있는 다리형 로봇이 협력하여 달이나 화성과 같은 극한 환경의 가파른 모래 언덕을 오르는 데 성공했다.61

• 농업 로봇 및 새로운 센싱 기술: 농업 분야의 인력난을 해결하기 위한 자동화 기술 역시 중요한 연구 주제이다. 카네기 멜런 대학 연구팀은 ’SonicBoom’이라는 혁신적인 센서를 개발했다. 이 센서는 카메라에 의존하는 대신, 로봇 팔에 내장된 접촉 마이크 배열을 이용해 물체와 접촉할 때 발생하는 미세한 진동(소리)을 분석한다. 머신러닝 알고리즘은 이 진동 패턴의 차이를 분석하여, 무성한 나뭇잎에 가려 보이지 않는 사과와 같은 과일의 3차원 위치를 정확하게 파악할 수 있다.62 이는 시각적 정보가 제한적인 복잡한 환경에서 로봇의 작업 능력을 획기적으로 향상시킬 수 있는 새로운 감각 modality를 제시한다.

이러한 연구들은 AI의 발전이 로봇의 물리적 작업 능력을 직접적으로 향상시키는 단계에 이르렀음을 보여준다. 정교한 센서 데이터를 해석하고(음향, 힘, 시각), 이를 바탕으로 복잡한 환경과 상호작용하며, 주어진 임무를 수행하는 AI 알고리즘이 로봇 지능의 핵심이 되고 있다. 이는 AI 연구와 로봇 공학 연구가 더 이상 분리된 분야가 아니라, ’지능형 물리 시스템(Intelligent Physical Systems)’이라는 하나의 목표 아래 긴밀하게 융합되고 있음을 의미한다.

4.3 국내외 주요 로봇 기술 성과

2021년 4월에는 국내 연구진의 의미 있는 성과도 발표되었다.

한국표준과학연구원(KRISS)의 3차원 이미지 재구성 알고리즘: 표준연은 주사전자현미경(SEM)으로 촬영한 생물학 시료의 2차원 단면 이미지들을 AI 기반 알고리즘을 통해 3차원 구조로 정밀하게 재구성하는 기술을 개발했다.63 이는 세포나 조직의 복잡한 내부 구조를 시각화하고 분석하는 데 필수적인 기술로, 바이오 및 의료 분야 연구의 발전에 크게 기여할 것으로 기대된다.

서울대 한승용 교수의 무절연 고온초전도자석 연구: 서울대학교 한승용 교수는 기존의 기술적 한계를 돌파한 초소형·초경량 무절연 고온초전도자석을 개발하고, 직류 자기장 세계 신기록(45.5 테슬라)을 달성한 공로로 과학기술정보통신부 ‘이달의 과학기술인상’ 4월 수상자로 선정되었다.64 고온초전도자석은 강력한 자기장을 발생시키는 핵심 부품으로, 의료용 자기공명영상장치(MRI), 신약 개발 분석 장비, 차세대 핵융합 장치, 그리고 로봇의 고출력 모터 및 액추에이터 등 다양한 첨단 산업에 활용된다. 한 교수의 연구는 이러한 핵심 부품의 크기와 무게를 획기적으로 줄여, 로봇 공학을 포함한 여러 산업 분야에서 기술적 혁신을 이끌어낼 중요한 잠재력을 가진다.

5. 결론: 종합 분석 및 미래 전망

2021년 4월은 인공지능과 로봇 공학이 기술적 특이점을 넘어 사회 시스템의 일부로 편입되는 과정에서 겪는 ’성장통’과 성숙의 과정을 상징적으로 보여준 시기였다. 한편에서는 EU AI Act를 통해 기술의 책임과 통제를 요구하는 사회적 요구가 분출했고, 다른 한편에서는 Geometric Deep Learning과 같은 통일 이론을 통해 학문적 성숙을 이루었으며, ‘스트레치’ 로봇을 통해 산업 현장에서의 실질적인 가치 창출을 증명했다.

이 세 가지 흐름—규제, 이론, 응용—은 독립적으로 존재하지 않고 서로 긴밀하게 상호작용하며 미래의 기술 지형을 형성하고 있다.

• 이론이 응용을 견인한다 (Theory → Application): Geometric Deep Learning과 같은 기초 연구의 발전은 로봇이 그래프 구조의 분자나 다양체 형태의 3D 객체 등 비정형 환경을 더 깊이 이해하고 상호작용할 수 있는 능력을 부여한다. 이는 ’스트레치’가 복잡한 창고 환경에서 자율적으로 작업하고, ‘SonicBoom’ 센서가 시각 정보 없이 과일을 찾아내는 것과 같은 고도화된 응용을 가능하게 하는 이론적 토대가 된다.

• 응용이 규제를 촉발한다 (Application → Regulation): ’스트레치’와 같은 고성능 자동화 시스템이 물류 현장에 널리 보급되면, 일자리 대체, 작업장 안전, 사고 발생 시 책임 소재 등 복잡한 사회적, 윤리적 문제가 대두된다. 이러한 현실의 문제들은 기술이 사회에 미치는 영향을 통제하고 바람직한 방향으로 유도하려는 AI Act와 같은 규제 논의를 촉발하는 핵심 동력이 된다.

• 규제가 이론과 응용의 방향을 제시한다 (Regulation → Theory/Application): AI Act가 요구하는 투명성, 견고성, 공정성은 기술 개발자들에게 새로운 도전 과제를 제시한다. 이는 설명가능 AI(XAI), 적대적 공격에 대한 방어, 데이터 편향성 완화, 견고한 학습(robust learning) 등 새로운 연구 주제를 촉진한다. 또한, 기업들은 단순히 성능이 좋은 AI를 넘어, 규제를 준수하고 사회적 신뢰를 얻을 수 있는 기술을 개발하도록 유도된다.

2021년 4월을 기점으로, AI 및 로봇 공학 분야는 순수한 성능 경쟁의 시대를 지나 **‘신뢰성(Trustworthiness)’**과 **‘지속가능성(Sustainability)’**을 핵심 가치로 삼는 새로운 단계로 진입하고 있다. 기술 개발은 더 이상 진공 상태에서 이루어질 수 없으며, 법적·윤리적 프레임워크 내에서 사회와 조화를 이루며 진행되어야 한다. 또한, 경험적 성공에만 의존하는 것이 아니라, 탄탄한 이론적 토대를 갖춘 기술만이 복잡하고 예측 불가능한 실제 문제에 안정적으로 적용될 수 있다.

따라서 향후 AI 및 로봇 공학의 연구 개발은 특정 산업의 특정 병목 현상을 해결하는 데 고도로 특화되면서도, 동시에 안전성, 투명성, 공정성을 내재하여 사회적으로 수용될 수 있는 **‘신뢰할 수 있는 자율 시스템(Trustworthy Autonomous Systems)’**을 구축하는 데 집중될 것으로 전망한다. 2021년 4월은 바로 그 거대한 전환의 시작을 알린 중요한 순간으로 기록될 것이다.

6. 참고 자료

1. EU AI Act: first regulation on artificial intelligence | Topics - European Parliament, https://www.europarl.europa.eu/topics/en/article/20230601STO93804/eu-ai-act-first-regulation-on-artificial-intelligence
2. European approach to artificial intelligence | Shaping Europe’s …, https://digital-strategy.ec.europa.eu/en/policies/european-approach-artificial-intelligence
3. Analyzing the European Union AI Act: What Works, What Needs Improvement | Stanford HAI, https://hai.stanford.edu/news/analyzing-european-union-ai-act-what-works-what-needs-improvement
4. [2107.03721] Demystifying the Draft EU Artificial Intelligence Act - arXiv, https://arxiv.org/abs/2107.03721
5. Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges - arXiv, https://arxiv.org/abs/2104.13478
6. [PDF] Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges, https://www.semanticscholar.org/paper/Geometric-Deep-Learning%3A-Grids%2C-Groups%2C-Graphs%2C-and-Bronstein-Bruna/14014c024674991149f3ecf9314c93f7e029ef1a
7. Geometric Deep Learning With Grids Groups Graphs Geodesics and Gauges | PDF - Scribd, https://www.scribd.com/document/530985740/geometric-deep-learning-with-grids-groups-graphs-geodesics-and-gauges
8. Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges - ResearchGate, https://www.researchgate.net/publication/351133995_Geometric_Deep_Learning_Grids_Groups_Graphs_Geodesics_and_Gauges
9. arXiv:2104.13478v2 [cs.LG] 2 May 2021, https://arxiv.org/pdf/2104.13478
10. Check out this 156-page tome: https://arxiv.org/abs/2104.13478: “Geometric Deep … | Hacker News, https://news.ycombinator.com/item?id=45154830
11. Geometric Deep Learning - Grids, Groups, Graphs, Geodesics, and Gauges, https://geometricdeeplearning.com/
12. GDL Book - Geometric Deep Learning, https://geometricdeeplearning.com/book/
13. AIMPer73/Geometric-Deep-Learning-Grids-Groups-Graphs-Geodesics-and-Gauges, https://github.com/AIMPer73/Geometric-Deep-Learning-Grids-Groups-Graphs-Geodesics-and-Gauges
14. Geometric Deep Learning - YouTube, https://www.youtube.com/watch?v=xTi1w2t_TFE
15. GDL Course, https://geometricdeeplearning.com/lectures/
16. Geometric Deep Learning - ICT Vision & Graphics Lab, https://vgl.ict.usc.edu/Research/GeometricDeepLearning/GEOMETRIC%20DEEP%20LEARNING.pdf
17. CIPAR-LABS - Geometric Deep Learning - Google Sites, https://sites.google.com/uniroma1.it/cipar-labs/recommended-readings/geometric-deep-learning
18. AMMI 2022 Course “Geometric Deep Learning” - Lecture 1 (Introduction) - Michael Bronstein - YouTube, https://www.youtube.com/watch?v=5c_-KX1sRDQ
19. AMMI Course “Geometric Deep Learning” - Lecture 1 (Introduction) - Michael Bronstein, https://www.youtube.com/watch?v=PtA0lg_e5nA
20. Towards Geometric Deep Learning - The Gradient, https://thegradient.pub/towards-geometric-deep-learning/
21. ICLR Invited Talk Geometric Deep Learning: the Erlangen …, https://iclr.cc/virtual/2021/invited-talk/3717
22. ICLR 2021 Keynote - “Geometric Deep Learning: The Erlangen Programme of ML” - M Bronstein - YouTube, https://www.youtube.com/watch?v=w6Pw4MOzMuo
23. medium.com, https://medium.com/data-science/geometric-foundations-of-deep-learning-94cdd45b451d#:~:text=The%20%E2%80%9C5G%E2%80%9D%20of%20Geometric%20Deep,Geodesics)%20and%20local%20Gauge%20symmetries. and local Gauge symmetries.)
24. [R] Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges Michael M. Bronstein - Reddit, https://www.reddit.com/r/MachineLearning/comments/11fp4x0/r_geometric_deep_learning_grids_groups_graphs/
25. (PDF) A Review of Deep Learning in 5G Research: Channel Coding, Massive MIMO, Multiple Access, Resource Allocation, and Network Security - ResearchGate, https://www.researchgate.net/publication/349273112_A_Review_of_Deep_Learning_in_5G_Research_Channel_Coding_Massive_MIMO_Multiple_Access_Resource_Allocation_and_Network_Security
26. When 5G Meets Deep Learning: A Systematic Review - MDPI, https://www.mdpi.com/1999-4893/13/9/208
27. Deep Learning Models Applied to Prediction of 5G Technology Adoption - MDPI, https://www.mdpi.com/2076-3417/13/1/119
28. Stretch - Mobile Warehouse Robots | Boston Dynamics, https://www.bostondynamics.com/products/stretch
29. arXiv:1912.04871v1 [cs.LG] 10 Dec 2019, https://www.arxiv.org/pdf/1912.04871v1
30. ICLR 2021 Orals, https://iclr.cc/virtual/2021/events/oral
31. Deep symbolic regression: Recovering mathematical expressions from data via policy gradients - ResearchGate, https://www.researchgate.net/publication/337884878_Deep_symbolic_regression_Recovering_mathematical_expressions_from_data_via_policy_gradients
32. Deep symbolic regression: Recovering mathematical expressions from data via risk-seeking policy gradients - Semantic Scholar, https://www.semanticscholar.org/paper/Deep-symbolic-regression%3A-Recovering-mathematical-Petersen-Landajuela/3ee45877f7f14c8ee4872a7249f74eef7dc2255f
33. [1912.04871] Deep symbolic regression: Recovering mathematical expressions from data via risk-seeking policy gradients - arXiv, https://arxiv.org/abs/1912.04871
34. dso-org/deep-symbolic-optimization - GitHub, https://github.com/dso-org/deep-symbolic-optimization
35. Research Spotlight: Deep Symbolic Optimization | Data Science Institute - Lawrence Livermore National Laboratory, https://data-science.llnl.gov/research-areas/sciml/dso
36. Deep Learning for Symbolic Regression - TAMIDS, https://tamids.tamu.edu/wp-content/uploads/2021/11/Slides-Andrew-Jiang.pdf
37. Discovering symbolic policies with deep reinforcement learning, https://proceedings.mlr.press/v139/landajuela21a/landajuela21a.pdf
38. Deep symbolic regression: Recovering mathematical expressions from data via risk-seeking policy gradients | OpenReview, https://openreview.net/forum?id=m5Qsh0kBQG
39. ROBOTICS NEWS: What’s Trending in April 2021 | RobotShop Community, https://community.robotshop.com/blog/show/robotics-news-whats-trending-in-april-2021
40. Boston Dynamics Stretch Robot_ Technical Specifications and Deployment Overview | PDF | Robot - Scribd, https://www.scribd.com/document/913257932/Boston-Dynamics-Stretch-Robot-Technical-Specifications-and-Deployment-Overview
41. Stretch - Mobile Warehouse Robots - Boston Dynamics, https://bostondynamics.com/products/stretch/
42. Automated Trailer & Container Unloading with - STRETCH - Boston Dynamics, https://bostondynamics.com/wp-content/uploads/2023/07/stretch_brochure_manifest.pdf
43. Stretch by Boston Dynamics and Other Robotic Technologies - EasyCargo, https://www.easycargo3d.com/en/blog/stretch-by-boston-dynamics-and-other-robotic-technologies/
44. Boston Dynamics stretches into warehouse game with material-handling robot, https://www.supplychaindive.com/news/boston-dynamics-stretch-warehouse-robotics-automation-unloading-truck/597552/
45. Stretch at Arvato | Boston Dynamics - YouTube, https://www.youtube.com/watch?v=MGbsDK3Cjxw
46. Points as Queries: Weakly Semi-supervised Object Detection by Points, https://arxiv.org/pdf/2104.07434
47. [2104.07434] Points as Queries: Weakly Semi-supervised Object Detection by Points - arXiv, https://arxiv.org/abs/2104.07434
48. Points as Queries: Weakly Semi-supervised Object Detection by Points - ResearchGate, https://www.researchgate.net/publication/350892314_Points_as_Queries_Weakly_Semi-supervised_Object_Detection_by_Points
49. Ninth Annual International Conference on Learning Representations ICLR 2021 Fact Sheet Participants at ICLR span a wide range of, https://iclr.cc/media/Press/ICLR_2021_Fact_Sheet.pdf
50. ICLR 2021 Accepted Paper List - Paper Copilot, https://papercopilot.com/paper-list/iclr-paper-list/iclr-2021-paper-list/
51. Accepted Papers| Artificial Intelligence and Statistics Conference - AIStat, https://aistats.org/aistats2021/accepted.html
52. AISTATS 2021 Accepted Paper List, https://papercopilot.com/aistats-paper-list/aistats-2021-paper-list/
53. Paper Awards| Artificial Intelligence and Statistics Conference - AIStat, https://aistats.org/aistats2021/awards.html
54. AISTATS 2021 Papers, https://virtual.aistats.org/virtual/2021/papers.html
55. Papers accepted to ICRA and RAL 2021 | The Computational Design & Fabrication Group, https://cdfg.mit.edu/news/2021-03-30-papers-accepted-to-icra-and-ral-2021
56. IEEE International Conference on Robotics and Automation, ICRA 2021, Xi’an, China, May 30 - June 5, 2021 - researchr publication, https://researchr.org/publication/icra-2021
57. Papers accepted at ICRA 2021 Conference | SLMC - School of Informatics, https://informatics.ed.ac.uk/slmc/news-and-events/papers-accepted-at-icra-2021-conference
58. ICRA 2021 Workshop - ACCEPTED PAPERS, https://sites.google.com/asu.edu/curiousrobots/accepted-papers
59. “모터 없이 움직인다!” 한국 로봇 기술의 새 시대, 혁신 기술 ‘주목’ [반복재생] / YTN 사이언스, https://www.youtube.com/watch?v=GFsEwcstL30
60. UWM professor builds robots to help people stay independent | All In Wisconsin, https://www.wisconsin.edu/all-in-wisconsin/story/uwm-professor-builds-robots-to-help-people-stay-independent/
61. Helping robots work together to explore the Moon and Mars - Penn Engineering Blog, https://blog.seas.upenn.edu/helping-robots-work-together-to-explore-the-moon-and-mars/
62. New Robotic Agricultural Sensor Could Revolutionize Farming - Carnegie Mellon University, https://www.cmu.edu/news/stories/archives/2025/august/new-robotic-agricultural-sensor-could-revolutionize-farming
63. 2021 AI 이슈, 융합·확장·신뢰·지속가능 키워드 두드러져 - 사이언스타임즈, https://www.sciencetimes.co.kr/news/2021-ai-%EC%9D%B4%EC%8A%88-%EC%9C%B5%ED%95%A9%C2%B7%ED%99%95%EC%9E%A5%C2%B7%EC%8B%A0%EB%A2%B0%C2%B7%EC%A7%80%EC%86%8D%EA%B0%80%EB%8A%A5-%ED%82%A4%EC%9B%8C%EB%93%9C-%EB%91%90%EB%93%9C%EB%9F%AC/
64. 2021년 4월 과학기술인상 서울대 한승용 교수 선정 - 로봇신문, https://www.irobotnews.com/news/articleView.html?idxno=24396