최근 의료 로봇 분야에서 "드디어 학습할 재료가 생겼다"는 소식이 나왔습니다. 커뮤니티가 함께 만든 첫 대규모 오픈 데이터셋 Open‑H‑Embodiment와, 이를 바탕으로 한 의료 로봇용 기반(Foundation) 물리 AI 모델이 공개된 건데요.1 이번 글에서는 이 뉴스가 왜 중요한지, 그리고 앞으로 의료 로봇 개발 방식이 어떻게 바뀔지 핵심만 재미있게 풀어보겠습니다.
Open‑H‑Embodiment 데이터셋이 중요한 이유(의료 로봇 데이터)
의료 AI는 그동안 "보고(영상) 판단"을 잘해왔지만, 의료 현장은 결국 "손으로 수행"해야 끝납니다. 수술, 초음파, 내시경처럼 접촉이 있는 작업은 화면만으로는 설명이 안 되고, 힘(Force)과 움직임(로봇의 관절/말단 동작), 그리고 그 결과(영상)가 한 덩어리로 맞물립니다.
Open‑H‑Embodiment는 바로 그 '한 덩어리'를 모아둔 데이터에 가깝습니다. 총 778시간 규모로 시뮬레이션, 벤치탑(예: 봉합), 실제 임상 절차까지 포함하고, 상용/연구용 로봇이 함께 들어갑니다.1 요약하면 "의료 로봇이 실제로 뭘 했는지"를 학습 가능한 형태로 쌓아둔 첫 공용 기반입니다.
GR00T‑H와 Cosmos‑H: 의료 로봇 기반 모델의 두 축
이번 공개의 포인트는 데이터만이 아니라, 데이터로 "학습해 둔 모델"까지 같이 나왔다는 점입니다. 하나는 수술 행동을 예측하는 Vision‑Language‑Action(VLA) 정책 모델 GR00T‑H, 다른 하나는 행동(키네마틱스)을 조건으로 수술 영상을 생성하는 Cosmos‑H‑Surgical‑Simulator입니다.1
GR00T‑H 쪽에서 눈여겨볼 건 "로봇이 달라도 같은 일을 하게 만드는 장치"입니다. 로봇마다 관절 구조가 달라서 그대로 베끼면 동작이 불가능한데, GR00T‑H는 로봇별 키네마틱스를 공통 공간으로 보내는 프로젝터(MLP)와 상대 말단(EEF) 기준의 액션 등으로 이 차이를 흡수합니다.1 즉, 의료 로봇에서도 범용 VLA가 '이론'이 아니라 '제품 설계'로 들어오기 시작한 셈이죠.
Cosmos‑H는 방향이 다릅니다. 기존 시뮬레이터가 놓치기 쉬운 연조직 변형, 반사, 연기/혈액 같은 복잡성을 데이터로 "그럴듯하게" 재현하는 쪽입니다. 실제로 600회 롤아웃 기준, 벤치탑 이틀치 실험을 시뮬레이션 40분으로 바꿨다는 사례가 제시됩니다.1 의료 로봇 개발에서 가장 비싼 비용(실험)을 줄일 가능성이 큽니다.
'다른 로봇으로 옮겨타기'가 어려운 진짜 이유와 해법들
의료 로봇은 기관마다 장비가 다르고, 심지어 같은 수술 로봇도 세팅이 달라 "모델을 옮기는 일"이 늘 골칫거리였습니다. 연구 커뮤니티도 이 문제를 정면으로 다루고 있습니다.
예를 들어 MOTIF는 로봇이 달라도 공통으로 나타나는 동작 패턴을 '액션 모티프'로 뽑아두고, 새 로봇에서는 그 모티프를 예측해 실행만 로봇별로 풀어내는 방식입니다. 그래서 소량 데이터(퓨샷)에서도 실제 환경 성능이 크게 좋아졌다고 보고합니다.2
또 다른 관점은 "모델을 바꾸지 말고, 데이터를 똑똑하게 모으자"입니다. Data Analogies 연구는 로봇 형태(말단/모폴로지)가 달라질 때는 무작정 다양하게 모으는 것보다, 같은 장면/과제에 대해 로봇만 바꿔 짝지은 '유사(analogous) 데모'가 전이 성능을 더 끌어올린다고 보여줍니다.3 의료 로봇처럼 장비 구성이 복잡한 도메인에서는, Open‑H‑Embodiment의 다음 버전이 "어떤 구성으로 데이터를 늘리느냐"가 성능을 좌우할 가능성이 큽니다.
시사점: 의료 로봇 개발자가 지금 준비할 것
이제 의료 로봇은 "데이터가 없어서 못 한다"에서 "어떤 데이터/정렬/전이 전략이 이기나"로 게임이 바뀌고 있습니다. Open‑H‑Embodiment와 GR00T‑H, Cosmos‑H의 조합은 (1) 행동 학습, (2) 시뮬레이션 대체, (3) 크로스‑엠보디먼트 벤치마크라는 3종 세트를 한 번에 밀어준 사례입니다.1
실무적으로는 이렇게 접근하는 게 좋습니다. 첫째, 우리 로봇의 액션/키네마틱스 정의를 "공통 공간으로 투영 가능하게" 정리해두면, 향후 기반 모델을 붙이는 비용이 확 줄어듭니다. 둘째, 데이터를 더 모을 때는 '그냥 많이'가 아니라 로봇만 바꾼 유사 데모(analogies)처럼 전이를 돕는 구성을 의식해야 합니다.3 셋째, 새 장비로 옮겨탈 계획이 있다면 MOTIF류의 "동작 패턴 분리(모티프)" 아이디어가 제품 로드맵에서 강력한 무기가 될 수 있습니다.2
참고
1The First Healthcare Robotics Dataset and Foundational Physical AI Models for Healthcare Robotics
2MOTIF: Learning Action Motifs for Few-shot Cross-Embodiment Transfer
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.