← AI 용어집

AI 용어집 · 기초 · 피지컬 AI·로봇 · 멀티모달

LingBot-Touch 링봇 터치

LingBot-Touch는 앤트그룹 산하 로비앤트(Robbyant)가 공개한 오픈소스 촉각 파운데이션 모델이다. 서로 다른 원리로 작동하는 촉각 센서 신호를 하나의 공통 '촉각 토큰'으로 바꿔 로봇 제어 모델이 손끝 감각을 쓸 수 있게 한다.

용어 정보
난이도
기초 · 소식을 읽을 때 자주 만나는 기술 용어
카테고리
인지·행동
추가
2026-11-17
쉽게 말하면 여러 나라 말로 들어오는 보고를 한 언어로 옮겨 주는 통역사와 비슷하다. 센서마다 다른 숫자를 '어디에 닿았고, 얼마나 세게, 어느 쪽으로 힘이 쏠리는지'라는 공통 언어로 옮겨 로봇의 판단 모델에 넘긴다. 다만 사람의 통역과 달리 사람이 읽는 말이 아니라 모델만 이해하는 숫자 묶음으로 옮긴다.

무엇인가

LingBot-Touch는 로봇 손의 촉각 정보를 이해하는 데 특화된 파운데이션 모델(여러 작업에 두루 쓰도록 미리 크게 학습한 모델)이다. 로비앤트는 2026년 11월 오픈소스로 공개했고, 관련 논문도 같은 시기 arXiv에 올라왔다. 압저항식, 자기식, 시각 기반(카메라로 손끝 젤의 변형을 찍는 방식) 등 세 종류 촉각 센서의 신호를 하나의 Representation(모델 내부의 공통 표현)으로 통합한다. 보도에 따르면 코드와 사전학습 가중치는 Apache 2.0 라이선스로 GitHub와 Hugging Face에 공개됐고, 경량판인 'LingBot-Touch Tiny'를 포함해 두 가지 크기로 제공된다.

어떻게 작동하나

센서 종류마다 가벼운 입구가 따로 있어 원시 읽음값을 토큰으로 바꾸고, 그 뒤에는 하나의 촉각 트랜스포머 본체를 함께 쓴다. 센서마다 촉점 수와 배치가 크게 달라서, 모든 촉점을 표준화한 손가락 끝 공간에 옮기고 시간·손가락·3차원 위치로 된 '주소'를 붙여 RoPE로 모델에 넣는다고 소개됐다. 사전학습은 JEPA 방식을 따라, 촉점 대부분(보도 기준 90%)을 가린 채 남은 부분을 보고 가려진 부분의 원시 값이 아닌 특징 공간의 표현을 예측한다. 촉각 데이터는 대부분 '안 닿음'을 뜻하는 0이라서, 원시 값을 그대로 복원하게 하면 모델이 배경만 잘 익히는 지름길로 빠지기 쉽기 때문이다. 이렇게 만든 촉각 토큰은 디퓨전 폴리시나 π0.5, LingBot-VLA 같은 VLA 모델에 끼워 쓸 수 있다.

LingBot-Touch의 구조압저항식 센서 → 센서별 입구; 자기식 센서 → 센서별 입구; 시각 기반 센서 → 센서별 입구; 센서별 입구 → 공용 촉각 트랜스포머; 센서별 입구 → 공용 촉각 트랜스포머; 센서별 입구 → 공용 촉각 트랜스포머; 공용 촉각 트랜스포머 → 촉각 토큰; 촉각 토큰 → 로봇 제어 모델압저항식 센서자기식 센서시각 기반 센서센서별 입구원시 값 → 토큰센서별 입구원시 값 → 토큰센서별 입구원시 값 → 토큰공용 촉각 트랜스포머JEPA 방식 사전학습촉각 토큰접촉 위치·힘·방향로봇 제어 모델디퓨전 폴리시·VLA
LingBot-Touch의 구조 세 종류 센서가 각자의 입구를 거쳐 공용 트랜스포머 본체로 들어가고, 거기서 나온 촉각 토큰을 여러 로봇 제어 모델이 받아 쓴다.

왜 주목받나

촉각 센서의 종류나 로봇 손이 바뀌면 데이터를 다시 모으고 모델을 다시 학습해야 하는 일이 많았는데, 이 부담을 줄이려는 시도다. 보도에 따르면 사람이 끼는 촉각 장갑과 로봇 손에서 모은 약 5,000시간 분량의 실제 촉각 데이터로 학습했다. 흥미로운 점은 원시 촉각 신호를 제어 모델에 그대로 넣으면 오히려 성공률이 떨어지는 경우가 있었다는 실험이다. 중국 매체 보도에 따르면 지퍼백 닫기에서 카메라만 썼을 때 39%였던 성공률이 원시 촉각을 넣자 15%로 떨어졌고, LingBot-Touch를 거치자 59%로 올랐다. 즉 '센서를 더 다는 것'보다 '신호를 모델이 알아듣게 정리하는 것'이 중요하다는 점을 보여 준다.

지퍼백 닫기 성공률

카메라만
원시 촉각 추가
LingBot-Touch
같은 로봇 손과 π0.5 조합에서 촉각을 넣는 방식만 바꿨을 때의 성공률(중국 매체 보도 기준). 원시 신호를 그대로 넣으면 오히려 낮아졌다.

알아 둘 점

로비앤트는 두 종류 로봇 손으로 26개 작업을 평가해 기존 제어 모델 4종의 평균 점수가 13.9~24.8%포인트 높아졌다고 밝혔다. 이 평가는 중간 단계에도 부분 점수를 주는 방식이라 작업을 끝까지 해낸 비율과는 다르다. 성능 수치는 회사 자체 평가이며, 다른 하드웨어나 실제 산업 현장에서 통할지는 추가 검증이 필요하다. 경량 모델의 파라미터 수처럼 매체마다 조금씩 다르게 보도된 수치도 있으니 공식 저장소의 모델 카드를 확인하는 편이 안전하다.

예시

로봇 손으로 병뚜껑을 여는 작업을 떠올려 보자. 손가락이 뚜껑에 살짝 미끄러지는 순간은 카메라로 잘 보이지 않는다. 로비앤트는 Sharpa Wave 로봇 손의 병뚜껑 열기 평가 점수가 촉각 없이 56.25%였다가 LingBot-Touch를 붙이자 90%로 올랐다고 밝혔다. 개발자는 이미 쓰던 VLA나 디퓨전 폴리시 모델을 버리지 않고 촉각 토큰만 추가로 연결하는 방식으로, 열쇠 돌리기나 치약 짜기처럼 힘 조절이 중요한 작업을 시도할 수 있다.

이 사이트에서 나온 사례

함께 보면 좋은 용어

참고