제품

Axonnic, EMG袖套로 로봇 학습 데이터를 수집한다

YC F26 스타트업 Axonnic은 전완부 EMG 신호로 손가락 동작과指尖 힘을 추정해 기 dexterous 로봇의 학습 데이터를 만드는 데 집중하고 있다. 영상 모션 캡처가 포착하지 못하는 힘 exertion 정보를 보완하는 방식이다.

글자 크기

YC F26 팀 Axonnic은 전완부에 착용하는 슬리브를 개발했다. 이 장치는 EMG 신호를 읽어 손가락 동작을 해독하고 손끝에 가해지는 힘을 추정한다. 목표는 VR가 아니라 dexterous 로봇의 학습 데이터를 확보하는 것이다.

Axonnic은 소비 전자제품과는 조금 다른 일을 하고 있다. 사용자의 전완부를 슬리브로 감싸 근육 활동을 읽고, 여기서 손가락 동작과 손끝 힘을 해독하는 것이다.

모션 캡처 장갑은 아니다. 손은 드러난 상태로 두고, 슬리브는 전완부 근육에서 발생하는 EMG 신호만 기록한다.

팀은 Launch HN의 도입 인사에서 다음과 같이 밝혔다.

Hi HN! We’re Arsh and Max, founders of Axonnic (YC F26)

Axonnic은 Arsh와 Max가 설립한 YC F26 회사다. 현재 제품 공개의 초점은 EMG를 특정 VR 게임에 연결하는 것이 아니라, 사람의 운동 데이터를 수집해 dexterous 로봇의 학습 데이터를 만드는 데 있다.

이 접근 방식은 따로 살펴볼 필요가 있다. 영상 모션 캡처는 ‘손이 어디에 있는가’를 해결하지만, 로봇에 실제로 부족한 정보는 대개 ‘손에 어느 정도의 힘이 들어갔는가’이기 때문이다.

슬리브가 읽는 것은 동작이 아니라 힘 exertion

Axonnic의 전완부 슬리브는 근육 활동인 EMG를 읽어 손가락 움직임을 해독하고 손끝에 가해지는 힘을 추정한다.

이는 일반적인 광학 손 추적과 본질적으로 다르다.

카메라는 손의 위치, 자세, 이동 경로를 포착한다. EMG는 특정 동작에서 전완부 근육이 만들어내는 전기 활동을 포착한다. 전자는 결과에 초점을 맞추고, 후자는 그 결과를 만들어내는生理적 과정의 일부를 기록하려 한다.

간단한 예를 들면 다음과 같다.

  • 손가락으로 컵을 집는다. 시각 시스템은 몇 개의 손가락이 컵에 닿았는지 파악한다.
  • 같은 동작이라도 더 약하게 또는 강하게 힘을 주면 EMG에는 서로 다른 신호가 남을 수 있다.
  • 촉각 또는 힘 센서는 접촉력을 직접 측정할 수 있지만, 일반적으로 손가락이나 물체에 센서를 붙여야 한다.

Axonnic의 방식은 측정 지점을 전완부에 두고 손은 드러난 채 유지한다. 사용자는 장갑을 착용하거나 모든 손가락에 대량의 센서를 부착할 필요가 없다.

다만 ‘손끝 힘을 추정한다’는 표현에는 주의가 필요하다. 슬리브는 접촉 지점을 직접 측정하는 대신 근육 활동을 바탕으로 출력을 추론한다. 정확도, 지연 시간, 반복성에 관해서는 짧은 Shorts 시연 영상만으로 결론 내리기 어렵다.

시연 영상은 다음과 같다.

https://youtube.com/shorts/xBrocTc9cfAWe

순수 영상 데이터에서는 핵심 학습 신호가 사라진다

Axonnic은 영상만 사용하는 것보다 EMG가 로봇 학습에 적합하다고 보고 있다. 영상은 근육 활동과 그 동작에 깔린 힘의 정도를 직접 기록할 수 없기 때문이다.

이 판단에는 현실적인 근거가 있다.

로봇이 너트를 푸는 법을 학습한다고 가정하자. 일반적인 영상은 다음 정보를 제공할 수 있다.

  1. 손목이 어떻게 회전하는가.
  2. 손가락이 너트에 어떻게 접근하는가.
  3. 두 손가락이 접촉한 뒤 손의 궤적이 어떻게 변하는가.

하지만 영상만으로는 모델에 다음 정보를 직접 알려주기가 어렵다.

  • 처음에 어느 정도의 힘을 가해야 하는가.
  • 나사산이 물리기 시작한 뒤 출력을 줄여야 하는가.
  • 미끄러졌을 때 사람은 손가락 위치를 바꾸는 것인지,握력을 높이는 것인지.
  • 같은 시각적 동작 뒤에 실제로 어느 정도의 근육 수축이 뒤따르는가.

시각 기반 모방 학습에서 이러한 결손은 보통 underdetermined action이라고 부른다. 동일한 손 궤적에 여러 가지 힘 분배가 대응할 수 있기 때문이다. 모델이 궤적만 학습하면 ‘보기에는 맞지만 실제로는 잘못된’ 동작을 그대로 재현할 수 있다.

EMG가 제공하는 정보는 완전한 촉각은 아니다. 손끝이 정확히 어떤 물체에 닿았는지 알려주거나 각 관절의 접촉 압력을 직접 측정할 수는 없다. 그러나 시각 데이터에 근육 의도와 힘 exertion에 관한 신호를 하나 더할 수 있다.

dexterous 로봇에는 카메라 위치 정확도를 몇 밀리 더 높이는 것보다 이 신호가 더 가치가 있을 수 있다. 그리핑 실패는 손이 목표 위치에 도달하지 못해서가 아니라, 타이밍,夹持力, 동작 순서가 잘못되어 발생하는 경우가 많기 때문이다.

제품 데이터를 로봇 학습에 연결하는 방식

제품 흐름을 보면 Axonnic은 human movement recording을 수행하고, 기록된 데이터를 dexterous robots training data로 변환한다.

혼합 데이터 파이프라인으로 이해할 수 있다.

EMG 근육 활동
    ↓
손가락 동작 해독 + 손끝 힘 추정
    ↓
사람의 운동 기록과 정렬
    ↓
dexterous 로봇 학습 데이터 생성

여기서 진짜 중요한 것은 특정 EMG 분류 모델이 아니라, EMG 기록과 로봇 데이터를 연결하는 방식이다.

실용적인 학습 샘플은 최소한 다음 질문에 답해야 한다.

  • 사람의 어느 근육이 언제 활성화되는가.
  • EMG 변화가 어떤 손가락 동작에 대응하는가.
  • 추정된 힘과 로봇 그리퍼 힘을 어떻게 정렬하는가.
  • 서로 다른 작업에서 어떤 EMG 특징을 이전할 수 있는가.
  • 데이터에서 잡음, 드리프트, 개인 차이를 어떻게 처리하는가.

특히 마지막 두 항목이 까다롭다.

표면 EMG에는 보통 운동 교란이 포함된다. 주먹을 쥘 때 전완부의 다른 근육도 활성화될 수 있다. 센서 위치 변화, 피부 impedance, 땀, 착용 상태도 기준선과 파형에 영향을 준다.

즉, 같은 ‘잡기’ 동작이라도 A 사용자와 B 사용자가 반드시 같은 신호를 만들지는 않는다. 데이터를 개인별 보정하지 못한다면 수집 규모가 커질수록 모델의 성능이 반드시 좋아지는 것은 아니다.

또한 로봇에는 사람처럼 완전한 전완부 근육이 없다. 최종적으로 학습 시스템은 사람의 EMG 의도를 로봇 관절 토크, 그리퍼 압력 또는 촉각 피드백으로 변환해야 한다. 로봇이 근육이 만들어내는 전압 자체를 모방하게 해서는 안 된다.

Axonnic이 공개한 것은 수집 진입점이다. 데이터를 어떻게 라벨링하고 보정하며 정소화할지, 그리고 실제로 로봇의 전략 성공률을 높이는지는 별개의 문제다.

Launch HN에서 확인된 제품 정보

현재 확인 가능한 제품 정보는 다음과 같다.

  • Axonnic은 YC F26 회사다.
  • Arsh와 Max가 팀을 설립했다.
  • 제품 형태는 전완부 슬리브다.
  • EMG를 읽어 손가락 움직임을 해독하고 손끝에 가해지는 힘을 추정한다.
  • 손은 드러난 상태로 유지된다.
  • 사람의 운동 데이터를 기록하고 dexterous 로봇의 학습 데이터를 생성한다.
  • Launch HN이 Hacker News 메인 페이지에 게시됐으며 Shorts 시연 영상이 함께 첨부됐다.

원문 게시글은 다음과 같다.

https://news.ycombinator.com/item?id=50522776

이 정보를 보면 Axonnic은 EMG 하드웨어 스타트업이라기보다 로봇 데이터 인프라 회사에 가깝다. 하드웨어가 신호를 수집한다면, 그 뒤의 데이터 생산 파이프라인이 제품의 핵심이다.

직면한 경쟁도 EMG 슬리브 업체에 한정되지 않는다.

  • 카메라는 비용이 낮고 활용 범위가 넓어 시각 궤적을 대량으로 수집하기에 적합하다.
  • 모션 캡처 장갑은 관절 각도와 손끝 접촉을 직접 측정할 수 있지만 착용이 번거롭다.
  • 손끝 힘 센서는 실제 접촉력에 더 가깝지만 일반적으로 손가락별로 부착해야 한다.
  • EMG 슬리브는 근육 활동과 힘 의도를 보완하지만 신호에 잡음이 많고 개인 차이도 뚜렷하다.

가장 경쟁력 있는 조합은 EMG가 다른 방식을 대체하는 데 있지 않을 수 있다. 시각, 모션 캡처, EMG를 같은 시간축에 배치하는 것이 될 수 있다. 시각은 기하 정보를, EMG는 의도와 힘에 관한 단서를, 힘 센서나 촉각 데이터는 보정 값을 담당한다.

편집자 관점

Axonnic에서 주목할 점은 EMG가 곧바로 로봇의 표준 입력이 될 가능성보다, 구체적인 빈틈을 짚었다는 데 있다. 영상은 손이 어떻게 움직이는지는 알지만 손에 어느 정도의 힘이 들었는지는 모른다. 이 빈틈은 그리핑과 회전 같은 작업의 학습 품질에 직접 영향을 주며, 구매자도 전략 성공률을 기준으로 검수하기 쉽다.

제 판단으로는 로봇 기업은 단일 슬리브에 장기 의존하기보다 데이터셋과 수집 서비스를 구매할 가능성이 더 크다. EMG가 동작 분류에만 머물면 사업 가치는 제한적이지만, 힘 라벨을 안정적으로 제공하고 로봇 그리퍼 힘과 정렬할 수 있다면 실제 학습 파이프라인에 들어갈 수 있다.

이번 제품은 기존 EMG 시연과 달리 디지털 휴먼이나 VR 제어를 목표로 하는 것이 아니라, dexterous 로봇을 직접 지원한다는 데 의미가 있다. 검증 기준도 더 엄격하다. 성공률이 개선되지 못한다면 아무리 깨끗한 파형도 다른 센서일 뿐이다.

현재로서는 EMG 교란, 사용자 간 보정, 실시간 지연 시간, 손끝 힘 추정 오차를 확인할 수 없다. 공개 자료에도 benchmark는 제시되지 않았다. 향후에는 세 가지를 살펴봐야 한다. 반복 수집 시 오차, 서로 다른 사용자로의 이전 성능, EMG를 추가했을 때 전략 성공률이 얼마나 높아지는지다.

출처

https://news.ycombinator.com/item?id=50522776

출처: https://news.ycombinator.com/item?id=50522776