로봇 학습의 판을 바꾸는 휴대용 그리퍼, Grabette
로봇이 물체를 집고 옮기는 법을 배우려면 방대한 조작 데이터가 필요하다. 지금까지는 실제 로봇 팔을 원격 조종하며 카메라 영상과 관절 각도를 일일이 기록하는 방식을 써왔다. 로봇 자체가 필수 장비였고, 설치와 조정에 시간이 들며, 여러 장소에서 데이터를 모으기 어렵다는 현실적인 벽이 있었다.
이 문제를 정면으로 돌파한 오픈소스 하드웨어가 등장했다. Grabette는 사람이 손에 쥐고 조작하는 휴대용 그리퍼로, 로봇 팔 없이도 인간의 작업 시연을 로봇 학습 데이터로 변환한다. 부품 원가는 약 490유로이며, 설계 파일과 조립 지침까지 전부 공개되어 있다 1.
데이터 수집의 새로운 접근법
Grabette의 작동 방식은 직관적이다. 사람이 버튼을 누르고 물체를 집어 옮기면, 장치에 내장된 두 대의 카메라와 IMU 센서가 데이터를 동시에 기록한다. 광각 어안 카메라는 로봇 손목 카메라와 유사한 시점에서 정책 학습용 관측 이미지를 저장하고, RGB-D 카메라는 색상·깊이 이미지와 IMU 데이터를 함께 기록해 장치의 위치와 방향을 추정하는 데 활용한다 2.
여기서 주목할 점은 6DoF 궤적을 센서로 직접 측정하지 않는다는 것이다. 기록된 영상과 IMU 데이터를 SLAM으로 후처리하여 움직임 경로를 추정한다. 구체적으로는 RTAB-MAP 라이브러리로 SLAM 처리를 수행한 뒤, 그 결과를 Hugging Face의 로봇 학습 표준 형식인 LeRobot으로 변환한다 2. 값비싼 모션 캡처 장비나 정밀 트래킹 시스템 없이도 손 동작의 궤적을 재구성할 수 있다는 뜻이다.
수집부터 학습까지 열린 파이프라인
Grabette로 수집한 데이터는 카메라 영상, 6DoF 포즈, 그리퍼 관절 상태, 에피소드 메타데이터를 포함한다. 이 데이터는 특정 로봇의 관절 각도가 아니라 카메라 좌표계 기준으로 저장되므로, 다른 로봇으로의 전이 가능성을 열어둔다 2.
이 데이터를 실제 정책 학습으로 연결하는 파이프라인도 공개되어 있다. 공식 예제에서는 컵 집기 작업 200회 시연을 Grabette로 수집한 뒤 Diffusion Policy(ResNet18 + SpatialSoftmax 인코더, DDIM 스케줄러, 6-D 회전 동작)를 학습시켰다 1. 학습된 정책은 Grabette의 로봇 팔용 대응 제품인 Gripette(부품 원가 약 120유로)를 장착한 OpenArm에서 평가했다. 모든 과정은 Hugging Face Hub와 Spaces 위에서 동작하도록 설계되어, 브라우저에서 데이터 업로드부터 SLAM 후처리, LeRobot 형식 변환까지 하나의 워크플로로 완성된다.
당장 시도할 수 있는 완결된 생태계
Grabette의 진정한 가치는 하드웨어 하나가 아니라 완결된 오픈소스 생태계를 제공한다는 점에 있다. 하드웨어 CAD 파일, 부품 목록, 조립 설명서는 물론이고 OpenArm 실기 제어 코드, MuJoCo 시뮬레이션, Diffusion Policy 학습 코드, π0.5 파인튜닝 예제까지 깃허브에 모두 공개되어 있다.
하드웨어 조립과 카메라 캘리브레이션, SLAM 트래킹 품질 같은 현실적인 과제는 남아 있지만, “데이터 수집 → 학습 → 실제 평가”라는 전체 루프를 누구나 저비용으로 실행해볼 수 있게 된 것은 의미 있는 변화다. 로봇 학습의 진입 장벽을 낮추려는 이 프로젝트는, 다양한 환경에서 실제 조작 데이터를 모으는 새로운 방법으로 주목받고 있다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.