현실 세계의 물체는 질량, 마찰, 관절 저항이라는 물리적 진실을 가집니다. VirtualGraph는 이 물리적 진실을 디지털 공간으로 이전하는 기술 체계이며, DRI(Digital Realness Index)는 그 이전이 얼마나 충실하게 이루어졌는지를 인간 지각과 로봇 조작 두 관점에서 정량적으로 측정합니다.
정적 3D 모델에 물리적 관절(Joint)과 운동학적 로직(Kinematics)을 부여하여, 사용자 입력과 시스템 피드백이 실시간으로 순환하는 실사 기반 폐루프(Reality-based Closed-loop) 3D 시스템입니다.
단순한 시각 재현을 넘어, 디지털 공간에서 실물처럼 작동하고 상호작용 가능한 기능적 실체입니다. 기존 3D 모델링이 시각적 모방(Visual Mimicry)이라면, VirtualGraph는 오브젝트의 물리적 속성과 운동학적 거동을 디지털 공간으로 이전합니다.
VirtualGraph 오브젝트의 물리적 실재성(Physical Realness)을 인간과 로봇 두 관점에서 동시에 측정하는 이중 트랙 평가 체계입니다.
DRI-H는 인간 피험자의 체험을 통해 산출되는 4단계(L1~L4) 지각·감각운동·체화 인식 지표입니다. DRI-R은 물리 스캔과 시뮬레이션으로 자동 산출되는 로봇 조작 적합성 지표입니다. 두 트랙 모두 임계값 이상에 도달한 VirtualGraph만이 VG Certified 인증을 획득합니다.
로봇이 현실 세계에서 조작해야 할 다양한 물성을 VirtualGraph로 체험하세요. 각 자산은 로봇 학습의 핵심 과제 — 유연 소재 그래스핑, 도구 사용, 힘 조절, 상태 변화 대응을 대표합니다. 시각·청각·햅틱 <20ms 동기화가 만드는 DRI 인증 환경에서 텔레오퍼레이터 학습 데이터가 생성됩니다.
가죽의 비선형 탄성, 표면 마찰 계수, 소재별 복원력 — 로봇이 유연한 소재를 파손 없이 잡기(grasp) 위해 반드시 학습해야 할 물성입니다.
회전 토크, 가변 진동, 부하에 따른 반동력 — 로봇이 동적 하중이 변하는 도구를 안전하게 조작하기 위한 핵심 물성입니다.
압력에 따른 비선형 변형, 표면 왁스 코팅의 마찰 계수, 과육의 탄성 한계 — 로봇이 과일을 멍 없이 잡기 위한 힘 조절 학습의 교과서적 대상입니다.
시간에 따른 용해, 온도 의존적 점성 변화 — 서빙·배달 로봇이 반드시 대응해야 할 시간 제약(time-constrained) 조작 과제입니다.
힌지 개폐, 플린트 휠 회전, 점화 — 순서가 있는 다단계 미세 조작의 교과서적 학습 대상입니다.
알루미늄 캔의 강성, 내부 액체의 슬로싱, 기울기에 따른 무게 중심 변화 — 로봇이 보이지 않는 내용물의 상태를 촉각에서 추론해야 하는 과제입니다.
극히 낮은 파괴 임계값, 불규칙한 곡률, 표면 유분에 의한 가변 마찰 — 취성(brittle) 물체를 파손 없이 다루는 극한 정밀 조작의 벤치마크 자산입니다.
2026년, 피지컬 AI 로보틱스 시장은 2034년까지 연평균 31% 성장이 전망됩니다. 그러나 병목은 하드웨어가 아닙니다. 로봇이 학습하는 디지털 오브젝트가 실물의 물리적 특성을 얼마나 충실히 재현하는지 측정하는 표준이 없다는 것입니다.
시뮬레이터는 질량, 마찰, 접촉, 변형을 근사치로만 계산합니다. 물리 파라미터 불일치가 정책 실패의 주요 원인임이 실증되었음에도(Peng et al., 2018; Aljalbout et al., 2025), 어떤 디지털 표상이 충분한 물리적 충실도를 갖추었는지 측정하는 표준이 없습니다.
동일한 오브젝트를 디지털화하더라도 시각적 충실도, 물리적 정확도, 상호작용 반응성이 천차만별입니다. 어떤 디지털 표상이 로봇 학습에 유효한지, 인간에게 실재처럼 느껴지는지를 판단할 객관적 지표가 없습니다.
VR·디지털 상거래·원격현존 시스템에서 "얼마나 실재처럼 느껴지는가"를 측정하는 표준화된 지표가 없습니다. 시각, 감각운동, 체화의 위계를 통합하는 측정 프레임워크가 요구됩니다.
연구실 A의 로봇이 드릴 조작을 수천 번 학습하며 쌓은 실패 경험 — 어떤 조건에서, 어떻게 실패했고, 어떻게 극복했는지 — 는 해당 연구실의 서버에만 존재합니다. 다른 연구자가 동일한 시행착오를 처음부터 반복합니다.
VirtualGraph는 오브젝트의 물리적 진실을 디지털 공간으로 충실히 이전하는 5단계 프로세스로 구성됩니다. 각 단계는 DRI-H와 DRI-R 측정의 직접적 기반이 됩니다.
LiDAR 또는 포토그래메트리 방식으로 오브젝트를 스캔하여 포인트 클라우드와 고해상도 텍스처를 확보합니다. 동시에 질량, 마찰 계수, 관절 저항력을 실물에서 직접 측정합니다. 이 물리 파라미터가 시뮬레이션 세팅의 기반이 됩니다. 기존 물리 엔진이 근사치에 의존하는 것과 달리, VirtualGraph는 실측 데이터로 시뮬레이션을 구성합니다.
오브젝트의 힌지, 슬라이더, 볼조인트 등 실제 관절 구조를 PhysX 엔진 기반의 파라미터로 구현합니다. 관절 저항력, 가동 범위, 마찰 계수가 1단계 실물 측정값에 기반하여 설정됩니다. 이 단계에서 정적 3D 모델이 운동학적 로직을 갖춘 기능적 실체로 전환됩니다.
실물 촬영에서 직접 추출한 텍스처를 메시에 매핑하여 시각적 충실도를 확보합니다. 오브젝트별 상황 연동 햅틱 피드백(진동 패턴, 강도)과 청각 피드백(재질음, 작동음)을 설계합니다. 사용자의 조작 입력(터치, 기울기, 회전)에 대응하는 각 감각 피드백의 반응 함수가 정의됩니다.
사용자의 입력에 대해 시각, 청각, 햅틱 피드백이 20ms 이내로 동기화되는 실사 기반 폐루프 시스템이 완성됩니다. 이 임계 지연 시간이 O'Regan & Noë(2001)의 감각운동 부수성(Sensorimotor Contingency) 이론이 요구하는 실재감 형성 조건입니다. Study 2에서 VG Ver.2(<20ms) 조건의 감각운동 정밀도(L2)가 실물 조건과 통계적으로 동등하게 나타났습니다(p=.836).
완성된 VirtualGraph에 대해 DRI-H 실험과 DRI-R 자동 파이프라인이 실행됩니다. DRI-H Core 55점 이상(VG Ready), 67점 이상(VG Certified)의 등급이 부여됩니다. 동시에 로봇 조작 시도에서 발생한 태스크 에피소드 로그 — 어떤 조건에서, 어떻게 실패했고, 어떤 수정으로 성공했는지 — 가 기록됩니다. 이 로그는 다른 연구자가 동일 오브젝트를 처음 다룰 때 실패 경험을 참조할 수 있게 합니다.
기존 로봇 학습 대안들은 각각의 강점이 있지만, 공통적으로 디지털 오브젝트의 물리적 실재성을 정량적으로 측정하고 인증하는 메커니즘이 없습니다. VirtualGraph는 DRI를 통해 이 인증 기준을 제공합니다.
| 접근 방식 | 물리 충실도 | 촉각·힘 데이터 | 실재성 인증 기준 | 인간 체험 검증 | 비용 효율 |
|---|---|---|---|---|---|
| 물리 시뮬레이션 MuJoCo, Physics Engines |
근사치 | 모델 기반 | ✕ 없음 | ✕ 없음 | ✓ 높음 |
| 물리 훈련 시설 Robot Farm, 실험실 |
✓ 실제 | ✓ 실제 | ✕ 없음 | ✕ 없음 | ✕ 매우 고비용 |
| VLA·비디오 학습 π0, RT-2, ACT |
✕ 시각 편향 | ✕ 불가 | ✕ 없음 | ✕ 없음 | ✓ 매우 높음 |
| OpenX-Embodiment 공개 데이터셋 |
환경 의존 | 일부 포함 | ✕ 없음 | ✕ 없음 | ✓ 높음 |
| VirtualGraph + DRI Physical Realness Protocol |
✓ 실물 기반 측정 | ✓ <20ms 동기화 | ✓ DRI-R 자동 인증 | ✓ DRI-H 4단계 검증 | ✓ 디지털 확장 가능 |
동일한 VirtualGraph 오브젝트에 대해 인간의 지각 경로와 로봇의 물리 조작 경로 양방향으로 물리적 실재성을 측정합니다. 두 트랙 모두 임계값에 도달할 때 완전한 물리적 실재성이 인증됩니다.
인간 피험자 30명, 4조건(실물/사진·영상/VG1/VG2), 5종 오브젝트 실험으로 검증. Merleau-Ponty(1962), O'Regan & Noë(2001), Gibson(1979) 이론 기반
물리 스캔과 시뮬레이션으로 자동 산출. Gibson(1979) 어포던스, Peng et al.(2018) sim-to-real, Tobin et al.(2017) 도메인 무작위화 이론 기반
물리적 충실도 기준 미달. 로봇 학습 활용 불가.
MVR 기준 통과 (Sensitivity .796, Specificity .661). 기초 활용 허용.
Specificity ≥.803 보장. 인간도 실재로 체험하고 로봇도 실재로 다룰 수 있는 완전한 물리적 실재성 인증.
VirtualGraph의 물리적 실재성 이전 기술과 DRI 측정 프레임워크는 인간과 로봇이 디지털 오브젝트와 상호작용하는 모든 영역에 적용됩니다.
로봇이 시뮬레이션에서 학습한 정책이 실물 환경에서 실패하는 sim-to-real 갭의 핵심 원인은 디지털 오브젝트의 물리적 충실도 부족입니다. DRI-R은 스캔 품질(A1), 물리 파라미터 정확도(A2), 실제 조작 성공률(A3)을 정량화하여 로봇 학습에 유효한 오브젝트 품질 기준을 제공합니다.
DRI-H는 동일한 오브젝트에 대해 인간이 얼마나 실재로 체험하는지를 L1~L4 위계로 측정합니다. 두 트랙 모두 인증 기준을 달성한 오브젝트는 인간의 텔레오퍼레이션 학습 데이터 생성과 로봇 정책 학습 양방향에서 신뢰할 수 있는 환경을 제공합니다.
왜 지금 필요한가
현재 로봇 학습에 활용되는 디지털 오브젝트는 어떤 것이 충분한 물리적 충실도를 갖추었는지 판단하는 표준이 없습니다. 연구자마다 다른 기준으로 시뮬레이션을 설정하며, 그 결과 동일한 오브젝트에 대해서도 성능이 크게 달라집니다.
DRI는 이 공백을 채우는 표준 지표입니다. 어떤 시뮬레이션 환경에서도 동일한 기준으로 오브젝트의 물리적 실재성을 측정하고 비교할 수 있습니다.
전통 도예, 무형문화재 공예, 전통 악기 연주 등 인간의 손기술은 언어와 영상만으로는 전수되지 않습니다. VirtualGraph는 도구의 무게감, 소재의 저항력, 관절의 움직임 패턴을 L2 감각운동 정밀도로 아카이빙하여 체험 기반 전수를 가능하게 합니다.
온라인 쇼핑의 가장 큰 한계는 구매 전 실물 체험이 불가능하다는 것입니다. DRI-H Core 67점 이상 인증 VG는 소비자에게 실물에 준하는 체화적 체험을 제공합니다. L4(체화적 인식)가 디지털 자산의 경험적 가치를 보증합니다.
공포증, 만성 통증, 재활 치료에서 VR 환경의 실재성 수준은 치료 효과를 결정합니다. DRI-H 프레임워크는 치료 목적 VR 콘텐츠의 실재감을 표준화된 방식으로 측정하고, 임상적으로 유효한 실재성 임계값을 설정하는 도구로 활용됩니다.
의료 수술, 항공 정비, 위험물 취급 등 실물 실습이 어렵거나 위험한 직업 훈련에서, DRI-H 기준을 충족한 VirtualGraph 환경은 실제 도구의 물리적 저항감과 반응을 재현하여 효과적인 기술 습득을 지원합니다.
디지털 실재감(Digital Presence) 연구는 오랫동안 표준화된 측정 도구의 부재로 어려움을 겪었습니다. DRI 프레임워크는 지각(L1), 감각운동(L2), 기능(L3), 체화(L4)의 4단계 위계로 실재감을 정량화하는 연구 도구로 활용될 수 있습니다.
AI가 전통적 노동을 대체하는 시대에, 물리 세계를 아는 것은 여전히 인간만의 영역입니다. 당신의 책상 위 드릴, 냉장고 속 귤, 할머니의 도자기 — 이 모든 물건의 물리적 진실은 아직 디지털화되지 않았습니다. 피지컬 AI는 이것을 필요로 합니다.
OpenX-Embodiment 같은 대규모 데이터셋의 기여자는 모두 Stanford, CMU, Google 같은 연구 기관입니다. 지구상 물건의 99%는 연구실 밖에 있습니다. 기여에 대한 귀속 추적도, 보상 메커니즘도 없습니다. 고품질 데이터는 소수 기관에만 쌓입니다.
누구나 자신의 물건을 스캔하고, 물리 파라미터를 측정하고, 블록체인에 등록합니다. 이 기여가 전 세계 로봇 학습에 활용될 때마다 귀속이 기록됩니다. 일반 가정에서도 10~20만 원의 측정 장비와 오픈소스 로봇으로 참여할 수 있습니다.
OpenX-Embodiment은 다운로드해야 하고, 수정·조작이 가능한 오픈 데이터입니다. 중앙 서버는 관리 주체가 변경되거나 서비스가 종료되면 이력이 사라집니다. 물리 데이터의 원본성(Authenticity)을 보장하는 신뢰 불필요 시스템(Trustless System)이 요구됩니다.
로봇이 어떤 데이터로 학습했는지, 그 데이터가 언제 누가 어떤 조건에서 생성했는지의 이력은 AI 정책의 재현성(Reproducibility)과 책임 소재에 직결됩니다. 불변 기록(Immutable Record)은 데이터 위조와 역선택(Akerlof, 1970)을 구조적으로 방지합니다.
Lanier(2018)의 데이터 노동(Data as Labor) 개념처럼, 물리 세계 데이터를 생산하는 행위는 노동입니다. 블록체인의 스마트 컨트랙트는 기여자의 데이터가 활용될 때마다 자동으로 귀속을 기록하고 보상을 분배하는 구조를 가능하게 합니다. 다른 어떤 플랫폼도 이것을 위조 불가능한 방식으로 구현하지 못합니다.
AI가 소프트웨어 영역의 노동을 대체하는 시대에, 물리 세계의 실제 오브젝트 데이터를 생산하는 행위는 새로운 형태의 전문 노동입니다. 전통 장인의 도구, 할머니의 도자기, 오래된 악기 — 이 물건들의 물리적 진실은 어떤 AI도 스스로 측정할 수 없습니다. VirtualGraph 생태계에서 이 작업에 경제적 귀속이 주어집니다. 고품질 VG Certified 오브젝트는 더 많은 로봇 학습에 활용되고, 더 많은 귀속 기록이 쌓입니다.
VirtualGraph가 실제로 인간에게 실재처럼 느껴지는지, 그리고 그 실재성이 예측 가능한 방식으로 작동하는지를 검증한 실험 결과입니다. 실물·사진/영상·VG1·VG2의 4가지 조건에서 30명의 피험자가 5종 오브젝트를 체험하여 총 600개의 관측치를 수집했습니다.
VG Ver.2(<20ms 햅틱 동기화) 조건에서 감각운동 정밀도(L2)를 실물 조건과 비교한 결과, 두 조건 간에 통계적으로 유의한 차이가 없었습니다(t=−0.208). 이는 정밀한 햅틱 동기화가 실물 접촉의 감각운동 경험을 통계적으로 대체할 수 있음을 의미합니다.
체화적 인식(L4)에서 VG Ver.2(M=4.84)가 실물 조건(M=4.58)을 수치적으로 상회했습니다. 이는 정밀한 햅틱 피드백과 360도 능동적 상호작용이 짧은 실물 접촉보다 더 강한 체화적 경험을 유발할 수 있음을 시사합니다.
L1(지각) + L2(감각운동) + L3(기능)이 L4(체화적 인식)의 변동을 39% 설명합니다(F(3,596)=126.756, p<.001). 이는 DRI-H의 4단계 위계 구조가 실제 인간 인지 처리 과정을 반영하고 있음을 통계적으로 입증합니다.
DRI-H Core가 체화적 인식 성공을 예측하는 ROC 분석 결과, AUC=.785로 양호한 예측력을 확인했습니다. 이를 통해 VG Ready 임계값(55점, Sensitivity .796)과 VG Certified 임계값(67점, Specificity .803)이 데이터 기반으로 도출되었습니다.
박사학위 연구(연세대, 2018)에서 출발하여 SSCI·SCIE급 국제학술지와 특허를 통해 지속적으로 검증받은 성과입니다.