년 10월 AI 및 로봇 연구 동향

년 10월 AI 및 로봇 연구 동향

1. 서론

2023년 10월은 인공지능(AI)과 로봇 공학 분야에서 중요한 변곡점을 나타내는 시기였다. 이 시기는 단순히 개별 기술의 점진적 발전을 넘어, 여러 핵심 기술 축이 서로 융합되고 상호작용하며 새로운 패러다임을 형성하는 역동적인 양상을 명확히 보여주었다. 거대 기술 기업들의 연구소에서는 파운데이션 모델을 로봇 제어에 통합하여 데이터 수집, 학습 효율성, 그리고 작업 일반화의 한계를 돌파하려는 시도가 구체적인 성과로 나타났으며, 체화된 AI(Embodied AI) 연구는 물리적 상호작용을 넘어 인간과의 사회적 협업이라는 새로운 지평을 열었다. 동시에, 휴머노이드 로봇은 연구실의 프로토타입을 넘어 산업 현장에 투입될 상업적 가능성을 제시하며 현실 세계로의 진입을 가속화했다.

본 보고서는 2023년 10월을 기점으로 발표된 주요 연구 성과들을 심층적으로 분석하여, 당시 기술 발전의 핵심 동향을 세 가지 축으로 나누어 고찰한다.

첫째, 파운데이션 모델의 로보틱스 통합이다. Google DeepMind를 필두로 한 연구 그룹들은 거대 언어 모델(LLM)과 시각-언어 모델(VLM)의 강력한 상황 이해 및 추론 능력을 로봇 제어에 접목했다. 이는 로봇이 스스로 학습 데이터를 수집하고(AutoRT), 방대한 신경망 모델을 효율적으로 연산하며(SARA-RT), 한 번도 본 적 없는 새로운 작업을 수행하는(RT-Trajectory) 능력을 근본적으로 혁신하는 결과로 이어졌다.1

둘째, 체화된 AI의 고도화이다. Meta AI는 인간과 로봇의 상호작용을 가상 환경에서 대규모로 연구할 수 있는 시뮬레이션 플랫폼 ’Habitat 3.0’을 공개했다.3 이는 AI 에이전트가 단순히 정적인 환경에서 작업을 수행하는 것을 넘어, 예측 불가능한 인간과 협력하고 사회적 맥락을 이해하는 능력을 학습하는 연구가 본격화되었음을 의미한다.

셋째, 범용 휴머노이드 로봇의 현실화이다. Figure AI가 공개한 ’Figure 01’의 동적 이족 보행 시연은 인간을 위해 설계된 환경에서 다양한 작업을 수행할 수 있는 범용 휴머노이드 로봇의 상업적 잠재력을 명확히 보여준 상징적인 사건이었다.6 이는 로봇 하드웨어 기술과 AI 소프트웨어의 결합이 임계점을 넘어서고 있음을 시사한다.

본 보고서는 이러한 핵심 동향을 중심으로 구성된다. 제1장에서는 로보틱스를 위한 파운데이션 모델의 발전과 그에 따른 보안 및 윤리적 과제를 심도 있게 다룬다. 제2장에서는 Figure 01을 포함한 로봇 하드웨어의 발전 현황과 다양한 산업 응용 분야를 분석한다. 제3장에서는 ECAI 2023 등 주요 학술 대회를 통해 드러난 학계의 연구 동향을 조망한다. 마지막으로 결론에서는 이 모든 흐름을 종합하여 AI 및 로봇 공학 기술의 미래 전망을 제시한다.

2. 파운데이션 모델과 로보틱스 제어의 혁신

2023년 10월을 전후하여 로봇 공학 분야의 가장 두드러진 변화는 파운데이션 모델, 특히 거대 언어 모델(LLM)과 시각-언어 모델(VLM)이 로봇 제어의 핵심 요소로 자리 잡기 시작했다는 점이다. 이는 로봇이 단순히 프로그래밍된 동작을 반복하는 기계에서 벗어나, 주변 환경을 이해하고, 인간의 지시를 해석하며, 새로운 상황에 스스로 적응하는 지능형 에이전트로 진화하는 중요한 전환점을 마련했다. 이 장에서는 Google DeepMind의 로보틱스 트랜스포머(RT) 시리즈의 통합적 발전과 Meta AI의 사회적 상호작용을 위한 체화된 AI 연구를 중심으로 이러한 혁신을 분석하고, 기술 발전과 함께 대두되는 보안 및 윤리적 문제를 고찰한다.

2.1 Google DeepMind의 로보틱스 트랜스포머(RT) 발전: 데이터, 효율성, 일반화의 통합적 접근

로봇 학습 분야는 오랜 기간 세 가지 근본적인 난제에 직면해왔다. 첫째, 실제 세계에서 유의미한 기술을 학습하기에는 훈련 데이터가 절대적으로 부족하다는 ‘데이터 희소성’ 문제. 둘째, 복잡한 환경을 인식하고 실시간으로 동작을 결정하는 데 필요한 계산 비용이 막대하다는 ‘효율성’ 문제. 셋째, 훈련 환경에서 학습한 기술을 한 번도 접해보지 않은 새로운 물체나 작업에 적용하지 못하는 ‘일반화’ 문제이다. Google DeepMind는 2023년 10월을 기점으로 발표한 일련의 연구에서, 이 세 가지 문제를 개별적으로 접근하는 대신 Robotics Transformer(RT) 아키텍처를 기반으로 한 통합적인 포트폴리오를 통해 동시에 해결하려는 체계적인 전략을 선보였다.1

2.1.1 AutoRT: 대규모 데이터 수집 자동화

로봇 학습의 가장 큰 병목 현상 중 하나는 고품질의 대규모 시연 데이터를 확보하는 것이다. AutoRT는 이 데이터 수집 과정을 자동화하고 확장하기 위해 설계된 시스템이다.1 AutoRT의 핵심은 VLM과 LLM을 결합하여 로봇이 스스로 학습 기회를 창출하도록 만드는 데 있다. 시스템의 작동 방식은 다음과 같다. 먼저, 로봇에 장착된 카메라를 통해 VLM이 주변 환경과 객체들을 인식하고 이해한다. 이 시각적 정보를 바탕으로 LLM은 “테이블 위 스펀지를 집어라” 또는 “파란색 칩 봉지를 다른 곳으로 옮겨라“와 같이 해당 환경에서 수행 가능한 창의적이고 다양한 작업 목록을 생성한다.10

중요한 점은 생성된 모든 작업을 로봇이 무분별하게 수행하지 않는다는 것이다. AutoRT는 아이작 아시모프의 로봇 3원칙에 영감을 받은 ’로봇 헌장(Robot Constitution)’이라는 안전 규칙 체계를 내장하고 있다.2 이 헌장에 따라 LLM은 스스로 생성한 작업이 인간, 동물, 날카로운 물체, 혹은 전기 장치와 관련된 위험을 내포하고 있는지 판단하고, 안전하지 않은 작업은 사전에 필터링한다. 또한, 관절에 가해지는 힘이 특정 임계값을 초과하면 즉시 동작을 멈추는 것과 같은 고전적인 로봇 공학의 안전 장치도 함께 적용된다.2

이러한 접근법의 성과는 주목할 만하다. Google DeepMind는 7개월간의 실제 환경 평가에서 최대 20대의 로봇을 동시에, 총 52개의 고유한 로봇을 조율하여 6,650개의 고유 작업에 걸쳐 총 77,000건의 로봇 시험 데이터를 성공적으로 수집했다.1 이는 기존의 인간 주도 데이터 수집 방식으로는 상상하기 어려운 규모와 다양성을 확보한 것으로, 로봇 학습 파이프라인의 가장 첫 단계인 데이터 입력 문제를 해결하는 중요한 돌파구로 평가된다.

2.1.2 SARA-RT: 트랜스포머 모델의 효율성 혁신

대규모 데이터로 거대한 트랜스포머 기반 로봇 모델을 훈련하고 실행하는 것은 막대한 계산 자원을 필요로 한다. 특히, 트랜스포머 아키텍처의 핵심인 어텐션 메커니즘은 입력 시퀀스의 길이가 길어질수록 계산량이 제곱으로 증가하는(O(n^2)) 특징을 가져 실시간 제어가 필수적인 로봇에 적용하기 어려운 한계가 있었다. SARA-RT(Self-Adaptive Robust Attention for Robotics Transformers)는 이러한 효율성 문제를 해결하기 위해 제시된 기술이다.1

SARA-RT의 핵심 혁신은 ’업-트레이닝(up-training)’이라 불리는 새로운 미세조정 기법에 있다.1 이 기법은 기존의 복잡한 어텐션 모듈을 계산적으로 더 가벼운 선형 어텐션 메커니즘으로 대체하면서도 모델의 성능 저하를 최소화한다. 결과적으로 어텐션 계산의 복잡도를 2차(O(n^2))에서 선형(O(n)) 수준으로 획기적으로 절감시킨다.2

이러한 효율성 개선은 실제 성능 향상으로 이어졌다. 수십억 개의 매개변수를 가진 최첨단 RT-2 모델에 SARA-RT를 적용했을 때, 기존 모델 대비 정확도는 10.6% 향상되었고, 의사결정 속도는 14% 더 빨라졌다.1 로봇의 깊이 카메라가 수집하는 3차원 공간 데이터 처리 모델인 포인트 클라우드 트랜스포머의 경우, SARA-RT 적용 후 처리 속도가 두 배 이상 증가하는 결과를 보였다.1 이는 계산 비용 문제로 인해 적용이 제한되었던 강력한 트랜스포머 아키텍처를 실시간 로봇 제어에 본격적으로 활용할 수 있는 길을 연 것으로, 로봇 학습 파이프라인의 ‘처리’ 단계 효율성을 극대화하는 중요한 진전이다.

2.1.3 RT-Trajectory: 궤적 스케치를 통한 작업 일반화 능력 향상

로봇이 학습 데이터와 효율적인 모델을 갖추더라도, 훈련 과정에서 보지 못했던 새로운 작업을 수행하는 일반화 능력 없이는 범용 로봇이 될 수 없다. 기존의 언어 기반 명령(“사과를 들어라”)이나 목표 상태 이미지 기반 방식은 의미적으로 완전히 새로운 작업(예: “걸레로 테이블을 닦아라”)에 대해서는 일반화에 실패하는 경향이 있었다. RT-Trajectory는 이러한 한계를 극복하기 위해 작업 지시 방식을 근본적으로 바꾼 새로운 정책 조건화(policy conditioning) 방법이다.12

RT-Trajectory의 핵심 아이디어는 로봇에게 ‘무엇을(what)’ 할지 지시하는 대신 ‘어떻게(how)’ 움직여야 하는지를 알려주는 것이다. 이를 위해 훈련 데이터에 포함된 각 시연 비디오에 로봇 팔 끝부분(gripper)의 움직임을 2차원 ’궤적 스케치(trajectory sketch)’로 시각화하여 오버레이한다.1 이 스케치는 로봇이 작업을 수행하는 동안 따라야 할 대략적인 경로를 시각적 단서로 제공한다. 모델은 이 궤적 스케치를 조건으로 입력받아, 특정 작업 명령어가 아닌 동작의 시각적 패턴 자체를 학습하게 된다.

이러한 접근 방식은 일반화 성능에서 극적인 향상을 가져왔다. 훈련 데이터에 포함되지 않았던 41개의 새로운 작업을 대상으로 한 테스트에서, RT-Trajectory로 제어되는 로봇은 63%의 작업 성공률을 기록했다. 이는 동일한 데이터로 훈련된 기존의 최첨단 언어 기반 모델인 RT-2의 성공률 29%와 비교해 두 배 이상 높은 수치이다.1 이는 RT-Trajectory가 서로 다른 작업이라도 유사한 동작 궤적을 공유하는 경우, 그 유사성을 학습하여 새로운 작업에 성공적으로 적용할 수 있음을 의미한다. 이 기술은 로봇 공학의 오랜 난제였던 동작 일반화 문제를 해결할 중요한 실마리를 제공하며, 로봇 학습 파이프라인의 최종 ‘출력’ 품질을 획기적으로 높이는 성과를 거두었다.

Google DeepMind의 AutoRT, SARA-RT, RT-Trajectory는 각각 독립적인 연구 성과가 아니다. 이 세 가지 기술은 로봇 학습 파이프라인의 수직적 통합을 목표로 하는 하나의 거대한 전략을 구성한다. 로봇 공학의 발전을 가로막는 세 가지 핵심 병목 현상, 즉 데이터 부족, 계산 비용, 일반화 실패는 서로 밀접하게 연결되어 있다. AutoRT는 파운데이션 모델을 활용하여 데이터 수집이라는 파이프라인의 가장 첫 번째 ‘입력’ 단계의 문제를 자동화하고 확장한다. 이렇게 확보된 방대한 데이터로 거대한 트랜스포머 모델을 훈련하고 실행하는 과정에서 발생하는 계산 비용 문제는 SARA-RT가 모델 아키텍처를 최적화하여 ‘처리’ 단계의 효율성을 극대화함으로써 해결한다. 마지막으로, 데이터와 효율적인 모델을 갖추더라도 새로운 작업을 수행하지 못하는 한계는 RT-Trajectory가 작업 지시 방식을 근본적으로 바꾸어 ’출력’의 일반화 성능을 극적으로 향상시킴으로써 극복한다. 이처럼 세 기술은 각각 데이터 입력, 처리, 출력을 담당하는 하나의 완성된 시스템으로 기능하며, 이는 Google이 범용 로봇 개발을 위한 확장 가능한 엔드투엔드 솔루션을 구축하고 있음을 명확히 보여준다. 이는 개별 알고리즘의 개선을 넘어선 시스템 수준의 혁신 전략이라 할 수 있다.

2.2 Meta AI의 체화된 AI(Embodied AI) 연구: Habitat 3.0과 사회적 상호작용

로봇이 실제 세계에서 유용하게 사용되기 위해서는 단순히 물리적 작업을 수행하는 능력을 넘어, 인간과 같은 예측 불가능하고 동적인 존재와 같은 공간을 공유하고 상호작용하는 능력이 필수적이다. Meta AI는 이러한 ’사회적 지능(Social Intelligence)’을 체화된 AI의 핵심 연구 의제로 설정하고, 이를 대규모로 연구하기 위한 시뮬레이션 플랫폼인 Habitat 3.0을 2023년 10월 20일에 발표했다.3 이는 체화된 AI 연구의 패러다임이 정적인 환경과의 상호작용에서 동적인 사회적 협업으로 전환되고 있음을 보여주는 중요한 이정표이다.

2.2.1 Habitat 3.0: 인간-로봇 협업 시뮬레이터

물리적 로봇을 이용해 실제 인간과 상호작용 실험을 진행하는 것은 확장성, 실험 통제의 어려움, 그리고 잠재적인 안전 문제라는 명백한 한계를 가진다.4 Habitat 3.0은 이러한 한계를 극복하기 위해 설계된 고도화된 시뮬레이션 플랫폼이다. 이전 버전의 Habitat가 주로 정적인 3D 환경에서 로봇의 탐색이나 객체 조작과 같은 ‘물리적’ 상호작용에 초점을 맞췄다면 15, Habitat 3.0의 핵심적인 기술적 기여는 ‘인간’ 요소를 시뮬레이션에 정밀하게 통합한 데 있다.

Habitat 3.0은 세 가지 주요 구성 요소를 통해 인간-로봇 협업 연구를 가능하게 한다.5 첫째, 정확한 휴머노이드 아바타 시뮬레이션이다. 다양한 외형과 동작을 가진 인간형 아바타를 높은 시뮬레이션 속도를 유지하면서도 사실적으로 구현한다. 둘째, ‘Human-in-the-loop’ 인프라이다. 실제 인간 사용자가 키보드/마우스나 VR 인터페이스를 통해 시뮬레이션에 직접 참여하여 로봇 에이전트와 실시간으로 상호작용하고 협업할 수 있는 환경을 제공한다. 셋째, HSSD-200과 같은 고품질 3D 실내 환경 데이터셋을 기반으로, 인간-로봇 협업 능력을 정량적으로 평가하기 위한 새로운 벤치마크 태스크를 제시한다.4

이러한 새로운 태스크는 다음과 같다.

  • Social Rearrangement (사회적 재배치): 로봇과 인간 아바타가 “집 안을 정리하는” 시나리오처럼, 흩어져 있는 물건들을 올바른 위치로 옮기기 위해 협력하는 작업을 포함한다. 두 행위자는 공동의 목표를 달성하기 위해 서로의 행동을 조율해야 한다.4

  • Social Navigation (사회적 내비게이션): 로봇이 인간을 찾아서 일정 거리를 유지하며 따라가는 작업을 수행한다. 이는 로봇이 인간의 동선을 예측하고 충돌을 회피하며 상호작용하는 능력을 평가한다.4

2.2.2 연구 성과와 의의

Habitat 3.0 환경에서 강화학습을 통해 훈련된 로봇 에이전트는 주목할 만한 **창발적 협업 행동(emergent collaborative behaviors)**을 보였다. 예를 들어, 좁은 복도에서 마주 오는 인간 아바타에게 길을 비켜주거나, 재배치 작업 시 인간 파트너가 멀리 있는 물건을 가지러 가는 동안 자신은 가까운 물건을 처리하는 등 작업을 효율적으로 분담하는 행동이 관찰되었다.4 이는 복잡하고 미묘한 사회적 상호작용 규칙을 명시적으로 프로그래밍하지 않아도, 대규모 시뮬레이션을 통한 학습만으로 습득할 수 있다는 가능성을 보여준다.

Habitat 3.0의 등장은 로봇을 단순히 작업을 수행하는 도구로 보는 관점에서 벗어나, 인간 사회의 구성원으로서 상호작용하는 **‘사회적 행위자(Social Agent)’**로 개발하려는 패러다임의 전환을 명확히 보여준다. 실제 세계에서 로봇이 인간과 효과적으로 협력하기 위해서는 물리적 능력뿐만 아니라, 인간의 의도를 파악하고, 동선을 예측하며, 사회적 규범에 맞는 행동을 하는 능력이 필수적이다. Meta는 이러한 사회적 지능을 대규모 시뮬레이션을 통해 정량적으로 측정하고 개선하기 위한 과학적 프레임워크를 제공함으로써, 미래의 가정용 로봇이나 AR 글래스 기반 AI 비서가 19 단순한 명령 수행자를 넘어 사용자의 상황과 의도를 깊이 이해하는 파트너로 발전할 수 있는 기술적 토대를 마련하고 있다. 따라서 Habitat 3.0은 단순한 시뮬레이터의 업데이트를 넘어, 미래 AI 에이전트가 갖춰야 할 핵심 역량으로 ’사회성’을 정의하고, 이를 공학적으로 구현하려는 중요한 시도라 할 수 있다.

2.3 AI 시스템의 보안 및 윤리적 고찰

AI 및 로봇 기술이 로봇 청소기부터 자율주행차에 이르기까지 우리 일상에 깊숙이 통합됨에 따라, 이들 시스템의 보안과 윤리적 문제는 더 이상 부가적인 고려사항이 아닌 핵심적인 연구 주제로 부상했다.20 특히, 파운데이션 모델과 같이 복잡하고 불투명한 시스템의 등장은 새로운 차원의 위협을 야기하며, 이에 대한 체계적인 대응 방안 마련이 시급한 과제가 되었다.

2.3.1 AI 공급망 보안과 Google의 SAIF

전통적인 소프트웨어 보안이 코드 자체의 취약점(예: 버퍼 오버플로우)에 집중했다면, AI 시스템의 보안 담론은 데이터와 모델 자체의 무결성을 다루는 ’AI 공급망 보안’으로 그 중심축을 이동하고 있다. AI 모델은 개발자가 작성한 코드뿐만 아니라, 방대한 훈련 데이터와 사전 훈련된 가중치에 의해 그 행동이 결정되기 때문이다.21 이는 새로운 공격 경로를 열어준다. 예를 들어, 공격자는 훈련 데이터에 악의적인 데이터를 주입하여 모델의 특정 행동을 유도(데이터 포이즈닝)하거나, 배포된 모델 파일 자체를 악성코드가 포함된 버전으로 교체(모델 변조)할 수 있다. ’PoisonGPT’와 같은 사례는 이러한 모델 변조 공격의 심각성을 잘 보여준다.21

이러한 위협에 대응하기 위해 Google은 ’안전한 AI 프레임워크(Secure AI Framework, SAIF)’를 제시했다.21 SAIF의 핵심 원칙 중 하나는 AI 개발에 특화된 구성 요소, 즉 머신러닝 모델의 소프트웨어 공급망을 보호하는 것이다. 이는 물리적 제품의 공급망 관리와 유사한 개념으로, 원자재(데이터)부터 가공(훈련), 완제품(모델), 유통(배포)에 이르는 전 과정에서 발생할 수 있는 오염을 방지하는 것을 목표로 한다. 이를 위한 구체적인 기술적 해법으로 Google은 SLSA(Supply chain Levels for Software Artifacts)와 Sigstore 같은 도구의 사용을 제안한다. 이 도구들은 소프트웨어 제작자가 암호화 서명을 통해 자신이 만든 모델의 출처와 무결성을 증명할 수 있게 함으로써, 사용자가 다운로드한 모델이 변조되지 않았음을 검증할 수 있도록 돕는다.21 이는 AI 모델을 일반 소프트웨어 아티팩트와 동일하게 취급하여, 그 출처와 빌드 과정을 추적하고 검증하려는 시도로, AI 개발 프로세스를 표준화하고 산업 수준의 신뢰도를 확보하기 위한 필수적인 단계이다.

2.3.2 생성 AI의 오용과 책임감 있는 AI 원칙

생성 AI 기술의 발전은 창의성과 생산성을 높이는 긍정적인 측면과 함께, 악의적인 목적으로 오용될 수 있는 심각한 위험을 동시에 내포하고 있다. DeepMind는 실제 미디어 보도를 분석하여 생성 AI의 오용 사례를 두 가지 주요 범주로 분류했다.22 첫 번째는

생성 AI 기능 자체를 악용하는 경우로, 특정 인물의 모습을 사실적으로 묘사한 딥페이크를 만들어 사기나 여론 조작에 사용하는 것이 대표적인 예다. 두 번째는 생성 AI 시스템을 손상시키는 경우로, 모델의 안전장치를 우회하는 ’탈옥(jailbreaking)’을 통해 유해한 콘텐츠를 생성하도록 유도하는 행위가 이에 해당한다.

이러한 위험에 대응하여, 기술 개발과 책임 있는 사용을 위한 노력이 병행되고 있다. Google은 AI 개발 시 ‘사회적으로 유익할 것’, ’불공정한 편향을 만들거나 강화하지 말 것’과 같은 AI 원칙을 강조하며, 이를 실제 제품 개발 과정에 적용하고 있다.23 대표적인 기술적 노력 중 하나는 AI가 생성한 이미지에 눈에 보이지 않는 워터마크를 삽입하는 ‘SynthID’ 기술이다. 이는 콘텐츠의 출처와 생성 여부를 투명하게 밝혀 딥페이크와 같은 허위 정보의 확산을 억제하는 데 기여할 수 있다.23 또한, 선거 광고에 디지털로 생성되거나 변경된 내용이 포함될 경우 이를 명시하도록 정책을 업데이트하는 등 22, 기술적 해결책과 정책적 규제를 결합하여 AI의 책임감 있는 사용을 유도하고 있다. 이러한 노력은 AI 기술의 발전이 혁신뿐만 아니라, 그에 따르는 사회적 책임을 함께 고려하는 성숙한 단계로 진입하고 있음을 보여준다.

3. 로봇 하드웨어 및 응용 분야의 발전

AI 소프트웨어의 눈부신 발전은 이를 현실 세계에서 구현할 로봇 하드웨어의 혁신과 맞물려 시너지를 창출하고 있다. 2023년 10월은 특히 범용 휴머노이드 로봇이 연구실의 영역을 넘어 상업적 현실성을 입증하기 시작한 중요한 시기였다. 동시에, 의료, 우주 탐사, 물류 등 특정 목적을 위해 고도로 전문화된 로봇 시스템 연구 또한 꾸준히 진행되며 로봇 기술의 적용 범위를 넓혀가고 있었다. 이는 로봇 하드웨어 개발이 ’범용성’과 ’특수성’이라는 두 가지 명확한 축을 따라 분화하며 발전하고 있음을 보여준다.

3.1 범용 휴머노이드 로봇의 등장: Figure 01

2023년 10월, 로봇 스타트업 Figure AI는 자사의 첫 휴머노이드 로봇인 ’Figure 01’이 동적 이족 보행에 성공하는 영상을 공개하며 전 세계의 주목을 받았다.6 이는 단순히 기술적 성과를 넘어, 인간과 유사한 형태를 가진 로봇이 공장, 물류창고, 소매점 등 ’인간을 위해 설계된 환경’에서 다양한 작업을 수행할 수 있는 범용 로봇의 상업적 실현 가능성을 가시화한 중요한 이정표였다.7

3.1.1 하드웨어 사양 및 기술적 특징

Figure 01은 인간과 유사한 신체 구조와 크기를 갖도록 설계되었다. 공개된 사양을 종합하면, 이 로봇은 키 약 1.68m, 무게 60kg으로, 최대 20kg의 물체를 들어 올릴 수 있다. 완전 전기 구동 방식으로 최대 5시간 동안 작동 가능하며, 최고 1.2m/s의 속도로 보행한다.24

로봇의 움직임을 구현하는 핵심은 정교한 관절 설계에 있다. Figure 01은 총 41자유도(DoF, Degrees of Freedom)를 가지며, 이는 팔, 다리, 허리, 손 등 전신에 걸쳐 복잡하고 유연한 움직임을 가능하게 한다.8 특히, 보행 시에는 각 관절에 가해져야 할 힘(토크)을 직접 제어하는 ‘토크 제어 보행’ 방식을 채택했다. 이는 단순히 정해진 경로를 따라 발을 움직이는 위치 제어 방식보다 외부의 방해나 지면의 변화에 훨씬 강건하게 대처할 수 있게 하여, 예측 불가능한 실제 환경에서의 안정적인 보행을 가능하게 하는 핵심 기술이다.8 아래 표는 공개된 Figure 01의 주요 기술 사양을 요약한 것이다.

항목 (Category)사양 (Specification)출처 (Source)
기본 제원
높이 (Height)5’6“ (약 1.68m / 167.6cm)7
무게 (Weight)60 kg7
페이로드 (Payload)20 kg24
성능
최고 속도 (Top Speed)1.2 m/s7
작동 시간 (Runtime)5 시간7
구동계
시스템 (System)완전 전기식 (Fully Electric)7
자유도 (DoF)총 41 DoF
팔 (Arms)7 DoF (x2)8
손 (Hands)6 DoF (x2)8
허리 (Waist)3 DoF8
다리/발목/발 (Legs/Ankle/Foot)6 DoF (x2)8
머리 (Head)0 DoF8
제어 및 AI
보행 제어 (Walking Control)토크 제어 보행 (Torque-controlled walking)8
AI 시스템 (AI System)OpenAI 모델 통합 (VLM, LLM)7

3.1.2 AI 시스템과 응용 분야

Figure 01의 가장 큰 특징은 정교한 하드웨어와 최첨단 AI의 결합에 있다. Figure AI는 OpenAI와의 전략적 파트너십을 통해 Figure 01에 강력한 ’두뇌’를 탑재했다.7 이를 통해 로봇은 시각 정보와 언어적 지시를 동시에 이해하고, 인간과 자연스러운 대화를 나누며, 심지어 인간의 행동을 한 번 보고 작업을 학습하는 능력까지 선보였다. 이는 로봇의 ’몸체(하드웨어)’와 ’두뇌(AI)’가 각 분야의 전문 기업에 의해 독립적으로 발전한 뒤 결합하여 시너지를 내는 새로운 개발 패러다임을 보여준다.

Figure 01의 주요 목표 시장은 노동력 부족 문제를 겪고 있거나, 인간 작업자에게 위험하고 반복적인 작업이 많은 산업 분야이다. 구체적으로는 제조, 물류, 창고 관리, 소매업 등이 해당된다.7 특히, 자동차 제조사 BMW와의 파트너십 체결은 실제 자동차 생산 라인에 휴머노이드 로봇을 투입하려는 구체적인 계획이 진행 중임을 시사한다.7

물론 현재 기술 수준에는 명확한 한계도 존재한다. 시연 영상에서 보여준 작업 속도는 아직 인간 작업자에 비해 현저히 느리며, 정형화되지 않은 복잡한 환경에 대처하는 능력이나 섬세한 물체를 다루는 정교함은 아직 개발 초기 단계에 있다. 또한, 5시간의 배터리 수명은 24시간 가동되는 산업 현장에서 연속적인 작업을 어렵게 만드는 요인이다.7 그럼에도 불구하고, Figure 01의 등장은 범용 휴머노이드 로봇이 더 이상 공상 과학의 영역이 아닌, 가까운 미래에 산업 현장을 변화시킬 현실적인 기술로 다가왔음을 알리는 신호탄이라 할 수 있다.

3.2 특수 목적 및 협업 로봇 시스템 연구

범용 휴머노이드 로봇이 인간과 유사한 작업을 대체하는 것을 목표로 한다면, 또 다른 한 축에서는 인간이 접근하기 어렵거나, 인간보다 더 높은 정밀도와 효율성을 요구하는 특정 작업을 수행하기 위한 특수 목적 로봇 연구가 활발히 진행되고 있다. 이는 로봇 기술이 단일한 방향이 아닌, ’범용성’과 ’특수성’이라는 두 가지 상호 보완적인 경로를 따라 발전하고 있음을 보여준다.

3.2.1 의료, 탐사, 산업 현장의 전문 로봇

의료 분야에서는 간호 인력의 신체적 부담을 경감시키기 위한 연구가 주목받았다. 한 연구에서는 로봇 팔을 이용해 환자가 침대에서 측면 자세를 유지하도록 원격으로 고정하는 시스템을 개발했다. 이 시스템을 사용한 결과, 간호사의 작업 자세가 평균 11.93%, 최대 26.13%까지 개선되어 근골격계 질환의 위험을 줄일 수 있는 가능성을 제시했다.28

인간이 접근하기 불가능한 극한 환경 탐사는 특수 로봇의 역량이 가장 잘 발휘되는 분야이다. 미국 펜실베이니아 공대와 NASA가 공동으로 진행하는 TRUSSES 프로젝트는 달이나 화성의 험준한 지형을 탐사하기 위한 협업 로봇 시스템을 개발하고 있다. 이 프로젝트에서는 안정적이지만 기동성이 떨어지는 바퀴형 로버와, 기동성은 뛰어나지만 쉽게 넘어질 수 있는 다리형 로봇을 케이블로 연결하여 서로의 단점을 보완하는 하이브리드 시스템을 선보였다. 실제 모래 언덕 테스트에서 개별 로봇은 오르지 못했던 15° 경사를 두 로봇이 연결되었을 때 함께 오르는 데 성공하며, 협업을 통한 문제 해결 능력을 입증했다.29

산업 현장에서도 로봇 도입은 더욱 가속화되고 있다. ComCap의 산업 보고서에 따르면, 특히 소매업 분야에서 재고 관리, 고객 서비스, 상품 배송, 보안 등 다양한 영역에 로봇이 활용되고 있다. 2025년까지 약 15만 대의 자율이동로봇(AMR)이 실제 매장에 도입될 것으로 예측되며, 이는 비용 절감과 고객 만족도 향상을 위한 필수적인 투자로 인식되고 있다.30

또한, 해양 환경 모니터링과 같이 넓은 영역을 지속적으로 관찰해야 하는 임무에도 AI 기반 로봇이 활용되고 있다. 통신이 원활하지 않은 수중 환경에서 여러 대의 로봇이 서로의 위치와 수집된 데이터를 기반으로 자율적으로 탐사 경로를 계획하고, 수온, 용존 산소량 등 수질 데이터를 효율적으로 수집하는 연구가 진행되었다. 이러한 연구에는 실제 로봇을 테스트하기 전에 알고리즘의 효율성을 검증하기 위한 ‘디지털 트윈’ 기술이 적극적으로 활용되고 있다.31

이러한 연구들은 로봇 시장이 단일한 방향으로 수렴하는 것이 아님을 명확히 보여준다. Figure 01과 같은 범용 휴머노이드 로봇은 인간의 노동력을 대체하거나 보조하는 ’범용 시장’을 목표로 한다. 반면, NASA의 탐사 로봇, 의료 보조 로봇, 해양 모니터링 로봇 등은 인간이 수행할 수 없거나 비효율적인 특정 임무를 해결하는 ’특수 시장’을 개척하고 있다. 이 두 개발 경로는 서로 경쟁하는 것이 아니라, 각자의 영역에서 기술적 깊이를 더하며 전체 로봇 산업의 생태계를 풍성하게 만들고 있다. 범용 로봇 개발 과정에서 얻어진 AI 기반 자율성 및 제어 기술은 특수 목적 로봇에 적용될 수 있으며, 반대로 특수 목적 로봇을 위해 개발된 극한 환경 대응 센서나 소재 기술은 범용 로봇의 내구성과 신뢰성을 높이는 데 기여할 수 있다. 이처럼 두 트랙의 상호 기술 교류는 향후 로봇 공학의 발전을 더욱 가속화하는 원동력이 될 것이다.

4. 주요 학술대회 발표 연구 동향

산업계의 기술 발표가 상업적 가능성과 시스템 통합에 초점을 맞춘다면, 학계의 연구는 보다 근본적인 문제 해결과 미래 기술의 이론적 토대를 마련하는 데 집중한다. 2023년 10월을 전후하여 개최된 유럽 인공지능 학회(ECAI)와 인공지능 발전 국제 컨퍼런스(ICAAI) 등 주요 학술대회에서는 AI 기술의 실용적 확장성과 이론적 엄밀성을 동시에 추구하는 깊이 있는 연구들이 다수 발표되었다. 이는 AI 기술이 복잡한 현실 문제에 적용되면서 발생하는 확장성 문제를 해결하려는 노력과, 그 기반이 되는 알고리즘의 안정성과 신뢰도를 수학적으로 증명하려는 노력이 병행되고 있음을 보여준다.

4.1 ECAI 2023: 유럽 인공지능 학회 주요 발표 내용

2023년 9월 30일부터 10월 4일까지 폴란드 크라쿠프에서 개최된 제26회 유럽 인공지능 학회(ECAI 2023)는 유럽 최고의 AI 연구 교류의 장으로서 그 위상을 다시 한번 확인시켰다. 역대 최다인 1896편의 논문이 제출되어 치열한 경쟁 끝에 최종 23%의 채택률을 기록했으며, 머신러닝, 자연어 처리(NLP), 멀티에이전트 시스템이 주요 연구 주제로 다루어졌다.32 특히, 올해의 최우수 논문상(Outstanding Paper Award) 수상작들은 AI 연구의 두 가지 중요한 방향성을 명확하게 제시했다.

4.1.1 최우수 논문상 분석: 확장성과 엄밀성의 조화

ECAI 2023 최우수 논문으로 선정된 두 편의 연구는 각각 AI의 ’실용적 확장성’과 ’이론적 엄밀성’이라는 주제를 대표한다.

첫 번째 수상작인 **“Selective Learning for Sample-Efficient Training in Multi-Agent Sparse Reward Tasks”**는 다중 에이전트 강화학습(MARL) 분야의 실용적인 확장성 문제를 다룬다.35 다중 에이전트 시스템은 군집 로봇 제어나 교통 시스템 최적화와 같이 복잡한 현실 문제를 모델링하는 데 필수적이지만, 에이전트 수가 늘어날수록 학습이 기하급수적으로 어려워지는 문제가 있다. 특히, 명확한 보상이 드물게 주어지는 ‘희소 보상(sparse reward)’ 환경에서는 에이전트들이 효과적인 전략을 학습하기가 더욱 어렵다. 이 논문은 **MASL(Multi-Agent Selective Learning)**이라는 새로운 경험 공유 방법을 제안한다. MASL의 핵심은 모든 경험을 무분별하게 공유하는 대신, 성공적인 결과로 이어진 ’가치 있는 경험(high-value traces)’만을 선별하여 다른 에이전트들과 공유하는 것이다. 이를 통해 불필요한 정보로 인한 학습 비효율을 줄이고, 중요한 탐색에 집중하게 하여 샘플 효율성을 크게 향상시켰다. 이는 복잡한 다중 에이전트 시스템을 현실 문제에 적용하기 위한 핵심적인 확장성 문제를 정면으로 다룬 실용적인 연구라 할 수 있다.

두 번째 수상작인 **“Theoretical remarks on feudal hierarchies and reinforcement learning”**은 계층적 강화학습(HRL)의 이론적 토대를 견고히 한 연구이다.35 ‘봉건적 계층(feudal hierarchies)’ 구조는 상위 레벨 에이전트가 하위 레벨 에이전트에게 목표를 설정해주는 방식으로, 장기적인 계획 수립에 효과적이라고 알려져 경험적으로 널리 사용되어 왔다. 하지만 ’왜 이 방법이 안정적으로 작동하는가’에 대한 이론적 보장은 부족했다. 이 논문은 상위-하위 레벨의 의사결정 과정을 두 개의 상호 의존적인 마르코프 결정 과정(MDP)으로 수학적으로 공식화했다. 그리고 하위 레벨의 정책이 학습 과정에서 계속 변하는 ‘비정상성(non-stationarity)’ 문제에도 불구하고, 전체 시스템이 안정적으로 최적의 정책으로 수렴함을 수학적으로 증명했다.37 이는 경험적으로 성공을 거둔 기법에 엄밀한 이론적 토대를 제공함으로써, AI 연구의 과학적 신뢰도를 높이고 더 안정적인 시스템을 설계하는 데 기여하는 중요한 성과이다.

이 두 연구는 AI 분야가 단순히 ’작동하는 것’을 보여주는 단계를 넘어, ’왜, 그리고 어떻게 더 안정적이고 효율적으로 작동하게 할 것인가’를 탐구하는 성숙한 단계로 진입했음을 보여준다. 실용적 기법과 이론적 기초가 함께 발전하는 것은 해당 분야의 건강한 발전을 의미하며, 이는 향후 더 복잡하고 중요한 시스템에 AI를 적용하기 위한 필수적인 과정이다.

4.1.2 주요 발표 경향

최우수 논문 외에도 ECAI 2023에서는 다양한 주제의 연구가 발표되었다. 특히, 시스템의 견고성과 안전성에 대한 관심이 두드러졌다. 확산 모델(diffusion model)을 이미지 생성뿐만 아니라 객체 분할과 같은 판별적 작업에 적용하려는 시도(IDIP)가 있었으며, 딥러닝 모델의 취약점을 이용하는 백도어 공격(backdoor attacks)과 이를 방어하는 기법에 대한 연구도 활발히 이루어졌다. 또한, 여러 클라이언트가 데이터를 공유하지 않고 협력하여 모델을 훈련하는 분산 학습(Split learning) 환경에서의 보안 및 견고성 평가 연구도 주목받았다.39 이는 AI 기술이 널리 보급됨에 따라 발생할 수 있는 다양한 적대적 위협에 대비하려는 학계의 노력을 반영한다.

4.2 ICAAI 2023 및 기타 학술지 발표 내용

2023년 10월 13일부터 15일까지 터키 이스탄불에서는 제7회 인공지능 발전 국제 컨퍼런스(ICAAI 2023)가 개최되었다.40 이 학회에서는 AI 기술의 다양한 응용 분야에 초점을 맞춘 연구들이 발표되었으며, 발표된 논문들은 ACM 컨퍼런스 프로시딩을 통해 출판되어 학술적 성과를 공유했다.40 주요 세션 주제는 AI 기반 정보 네트워크 및 데이터 관리, 스마트 이미지 처리, 머신러닝 기반 예측 모델, 그리고 교육 분야에서의 AI 활용 등 실용적인 주제를 폭넓게 포괄했다.40

같은 시기에 ‘Robotics’ 저널(12권 5호) 28, ‘Frontiers in Robotics and AI’ 42 등 로봇 공학 전문 학술지에서도 다수의 중요 논문이 발표되었다. 특히, AI와 로봇 공학 시스템이 결합되면서 발생하는 보안 위협을 체계적으로 분류하고 방어 전략을 제시한 서베이 논문 20과, 지능형 로봇 분야의 최신 기술 동향, 도전 과제, 그리고 미래 기회를 분석한 체계적 문헌 고찰(systematic literature review) 연구 43는 해당 분야의 연구 현황을 종합적으로 이해하는 데 중요한 학술적 자료를 제공했다. 이러한 연구들은 개별 기술 개발을 넘어, 분야 전체의 현황을 조망하고 미래 연구 방향을 제시하는 역할을 수행하며 학문적 발전에 기여했다.

5. 결론

2023년 10월에 발표된 AI 및 로봇 공학 분야의 주요 연구들은 개별적인 기술적 진보를 넘어, 세 가지 핵심적인 흐름이 서로 융합하며 미래 기술의 청사진을 그리고 있음을 명확히 보여주었다.

첫째, **두뇌와 신체의 결합(The Union of Brain and Body)**이 가속화되고 있다. Google DeepMind의 로보틱스 트랜스포머 시리즈와 Figure AI의 Figure 01과 OpenAI의 협력 사례에서 볼 수 있듯이, 파운데이션 모델이라는 강력한 ’두뇌’가 휴머노이드와 같은 정교한 ’신체’에 통합되고 있다. 이는 로봇이 단순히 프로그래밍된 동작을 수행하는 자동화 기계를 넘어, 복잡한 언어적, 시각적 맥락을 이해하고 추론하며, 학습을 통해 새로운 작업에 일반화하는 진정한 의미의 지능형 에이전트로 진화하고 있음을 의미한다.

둘째, **가상과 현실의 연결(The Bridge between Virtual and Real)**이 더욱 정교해지고 있다. Meta AI의 Habitat 3.0은 가상 시뮬레이션 환경이 단순히 물리 법칙을 모방하는 것을 넘어, 인간과의 복잡하고 미묘한 사회적 상호작용까지 학습할 수 있는 테스트베드로 발전하고 있음을 보여주었다. 이는 현실 세계에서 실험하기에 비용이 많이 들고, 위험하며, 통제가 어려운 인간-로봇 협업 문제를 가상 세계에서 안전하고 효율적으로 해결할 수 있는 길을 열었다. 이는 ’Sim-to-Real’을 넘어 ’Sim-for-Social’로의 패러다임 전환을 예고한다.

셋째, **혁신과 책임의 병행(The Parallel Pursuit of Innovation and Responsibility)**이 기술 개발의 필수 요소로 자리 잡았다. 기술의 발전 속도가 기하급수적으로 빨라짐에 따라, AI 공급망 보안(SAIF), 생성 AI의 오용 가능성 분석, 그리고 책임감 있는 AI 원칙 수립과 같은 노력이 기술 개발과 동시에 이루어지고 있다. 이는 기술이 사회에 미치는 영향을 깊이 성찰하고, 잠재적 위험을 사전에 완화하려는 노력이 산업계와 학계 전반에 확산되고 있음을 보여주는 중요한 기술 성숙의 징표이다.

이러한 세 가지 흐름은 상호작용하며 하나의 거대한 방향성을 가리킨다. 미래의 로봇은 산업 현장의 효율성을 극대화하는 것을 넘어, 우리의 가정과 일상으로 들어와 삶의 일부가 될 것이다. AI 에이전트는 인간과 단순한 명령-수행 관계를 넘어, 사회적 맥락 속에서 협력하는 파트너가 될 것이다. 향후 연구는 모델의 효율성과 일반화 능력을 더욱 고도화하는 동시에, 인간과의 상호작용에서 신뢰와 안전, 그리고 윤리를 확보하는 방향으로 심화될 것이다. 학계의 엄밀한 이론적 탐구와 산업계의 과감한 실용적 개발이 상호 보완하며 이 거대한 변화를 더욱 가속화할 것으로 전망한다.

6. 참고 자료

  1. Shaping the future of advanced robotics - Google DeepMind, https://deepmind.google/discover/blog/shaping-the-future-of-advanced-robotics/
  2. Google Deepmind shares its latest AI research for everyday robots - The Decoder, https://the-decoder.com/google-deepmind-shares-its-latest-ai-research-for-everyday-robots/
  3. AI at Meta Blog, https://ai.meta.com/blog/?page=5
  4. Embodied AI: Toward effective collaboration between humans and …, https://ai.meta.com/blog/habitat-3-socially-intelligent-robots-siro/
  5. Habitat 3.0: A Co-Habitat for Humans, Avatars, and Robots | OpenReview, https://openreview.net/forum?id=4znwzG92CE
  6. Top 10 robotics stories of October 2023 - The Robot Report, https://www.therobotreport.com/top-10-robotic-stories-of-october-2023/
  7. Figure 01 - Humanoid Robots Wiki, https://humanoids.wiki/w/Figure_01
  8. Figure 01 humanoid takes first public steps - The Robot Report, https://www.therobotreport.com/figure-01-humanoid-takes-first-public-steps/
  9. Our latest advances in robot dexterity - Google DeepMind, https://deepmind.google/discover/blog/advances-in-robot-dexterity/
  10. AutoRT, SARA-RT and RT-Trajectory, the best is yet to come | by Yang G | Medium, https://medium.com/@yangnus5/autort-sara-rt-and-rt-trajectory-the-best-is-yet-to-come-2d8da312162f
  11. Google DeepMind Robotics Build AutoRT, SARA-RT, RT-Trajectory - Analytics Vidhya, https://www.analyticsvidhya.com/blog/2024/01/google-deepmind-latest-robotics-advancements-autort-sara-rt-rt-trajectory/
  12. RT-Trajectory, https://rt-trajectory.github.io/
  13. Robotic Task Generalization via Hindsight Trajectory Sketches - arXiv, https://arxiv.org/abs/2311.01977
  14. ROBOTIC TASK GENERALIZATION VIA HINDSIGHT … - RT-Trajectory, https://rt-trajectory.github.io/pdf/RT_Trajectory.pdf
  15. Habitat: A Platform for Embodied AI Research, https://research.facebook.com/publications/habitat-a-platform-for-embodied-ai-research/
  16. AI Habitat, https://aihabitat.org/
  17. Habitat 3.0, https://aihabitat.org/habitat3/
  18. Habitat 3.0: A Co-Habitat for Humans, Avatars and Robots - arXiv, https://arxiv.org/html/2310.13724
  19. Embodied AI Agents: Modeling the World - arXiv, https://arxiv.org/html/2506.22355v1
  20. [2310.08565] Security Considerations in AI-Robotics: A Survey of Current Methods, Challenges, and Opportunities - arXiv, https://arxiv.org/abs/2310.08565
  21. October 2023 - Google Online Security Blog, https://security.googleblog.com/2023/10/
  22. Mapping the misuse of generative AI - Google DeepMind, https://deepmind.google/discover/blog/mapping-the-misuse-of-generative-ai/
  23. AI Principles Progress Update 2023 - Google AI, https://ai.google/static/documents/ai-principles-2023-progress-update.pdf
  24. Figure FIGURE 01 Specifications - QVIRO, https://qviro.com/product/figure/figure-01/specifications
  25. Figure, https://www.figure.ai/
  26. Figure 01: OpenAI’s Leap into Humanoid Robotics - The Future Unveiled - YouTube, https://www.youtube.com/watch?v=TAyK9RYzf3I
  27. Figure AI’s Humanoid Robot Starts to Talk Like Humans - Analytics Vidhya, https://www.analyticsvidhya.com/blog/2024/03/figure-ai-humanoid-robot-figstarts-to-talk-like-humans/
  28. Robotics, Volume 12, Issue 5 (October 2023) – 25 articles, https://www.mdpi.com/2218-6581/12/5
  29. 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/
  30. Robots in Retail October 2023 - ComCap, https://comcapllc.com/reports/robots-in-retail-october-2023
  31. How researchers are helping robots think for themselves to protect the environment - Refresh Miami, https://refreshmiami.com/news/how-researchers-are-helping-robots-think-for-themselves-to-protect-the-environment/
  32. ECAI 2023 | IOS Press, https://www.iospress.com/catalog/books/ecai-2023
  33. 26th European Conference on Artificial Intelligence ECAI 2023, https://ecai2023.eu/
  34. ECAI 2023 | SAGE Publications Inc, https://us.sagepub.com/en-us/nam/ecai-2023/book297730
  35. Congratulations to the #ECAI2023 outstanding paper award winners …, https://aihub.org/2023/10/06/congratulations-to-the-ecai2023-outstanding-paper-award-winners/
  36. Outstanding Papers | 26th European Conference on Artificial Intelligence ECAI 2023, https://ecai2023.eu/bpa
  37. Theoretical Remarks on Feudal Hierarchies and Reinforcement Learning - RELEvaNT Project Website, https://relevant-project.github.io/pubs/carvalho23ecai.pdf
  38. Theoretical Remarks on Feudal Hierarchies and Reinforcement Learning - ResearchGate, https://www.researchgate.net/publication/374314973_Theoretical_Remarks_on_Feudal_Hierarchies_and_Reinforcement_Learning
  39. Accepted Papers | 26th European Conference on Artificial Intelligence ECAI 2023, https://ecai2023.eu/acceptedpapers
  40. The 7th ICAAI 2023 - ICAAI 2025｜9th International Conference on Advances in Artificial Intelligence, https://www.icaai.org/2023.html
  41. ICAAI 2023-2023 The 7th International Conference on Advances in Artificial Intelligence, https://www.iconf.org/conference/icaai2023
  42. Frontiers in Robotics and AI, https://www.frontiersin.org/journals/robotics-and-ai
  43. Intelligent Robotics—A Systematic Review of Emerging Technologies and Trends - MDPI, https://www.mdpi.com/2079-9292/13/3/542