실험장치를 스스로 만들고
다시 맞추는 로봇

무작위 부품에서 시작하는 광학 실험실

A Framework for Closed-Loop Robotic Assembly, Alignment and Self-Recovery of Precision Optical Systems

• 공식 발표일: 2026년 9월 17일
• 논문 공개: arXiv v1, 2026년 3월 23일
• 발표 상태: 2026년 9월 IROS 발표 예정. 현재 확인 가능한 원문은 arXiv 사전공개본이며, 최종 프로시딩 버전은 아직 확인되지 않음
• 연구분야: 자율 광학실험, 정밀 로봇조작, 폐루프 최적화, 자기복구형 실험장비
• 출처: MIT 공식 발표, arXiv 논문

날짜 표기 · MIT 공식 발표는 2026년 9월 17일, arXiv v1 공개는 3월 23일이다. 첨부 문서에는 별도의 수정일이 없어 파일명 “0924”를 브리핑 업데이트 기준일(9월 24일)로 적용했다. MIT 발표 당시 IROS 발표는 예정 상태였으며 이 글은 arXiv 원문을 기준으로 읽는다.

인식에서 정렬·복구까지의 폐루프

MIT 연구진은 이미 설치된 광학장비의 일부 변수를 자동 조정하는 수준을 넘어, 무작위로 놓인 부품으로부터 광학계를 구성하고 정렬하며 외란 발생 시 스스로 복구하는 로봇 실험실을 구현했다.

시스템은 다음 요소를 결합한다.

• 7자유도 xArm7 로봇 팔
• 작업공간 감시용 스테레오 4K 카메라
• 정밀 파지용 말단 LiDAR 카메라
• 레이저 빔 검출 카메라
• QR·ArUco 식별자가 부착된 표준화 광학부품 하우징
• 자기식 고정 베이스
• 거울의 미세조정 나사를 제어하는 Wi-Fi 기반 motorized fine-adjustment tool
• Newton 방식 공간 보정
• Bayesian optimization 기반 각도 정렬
• 지속적인 성능감시와 외란 복구 루프

핵심 폐루프는 다음과 같다.

\[ \text{부품 인식} \rightarrow \text{파지·배치} \rightarrow \text{광학신호 측정} \rightarrow \text{정렬오차 추정} \rightarrow \text{위치·각도 보정} \rightarrow \text{성능 확인} \]

사용자는 목표 실험의 배치도를 제공하지만, 실제 부품 탐색·운반·배치·정렬·출력 최적화는 시스템이 수행한다.

50회 동작과 10개 초기조건의 검증

• 무작위로 배치된 10개 광학부품에서 시작해 테이블탑 Nd:YAG 레이저 공동을 자율적으로 구축했다.
• 약 50회의 로봇 동작을 30분 이내에 수행해 작동하는 레이저를 구성했다.
• 광학부품의 공간배치를 서브밀리미터 수준으로 보정했다.
• 10개 서로 다른 초기조건에서 다중 빔 각도정렬에 100% 성공했다.
• 빔 중첩은 평균 5.5±0.5회의 최적화 반복으로 달성했다.
• 광학부품을 임의로 움직이거나 거울 조정값에 drift를 주입한 뒤 레이저 출력을 자동 복원했다.
• 실험 종료 후 부품을 해체하고 다른 광학 구성으로 재조립할 수 있음을 보였다.

원 논문은 렌즈 배치 정밀도, 레이저 빔 중심 정밀도, 공진기 정렬, 레이저 모드 선택 및 외란 복구를 단계별로 검증한다.

수치의 범위 · 10개 초기조건에서의 100%는 논문이 실험한 다중 빔 각도 정렬 조건에 한정한다. 50회 동작과 30분 이내의 레이저 구성은 MIT가 소개한 대표 시연이다. 전체 광학실험 유형 또는 장기간 운용의 성공률로 외삽할 수 없다.

광학 자동화에서 실험실 재구성으로

기존 광학 자동화는 대체로 사람이 이미 구성한 장치에서 소수 actuator를 조정하는 방식이었다. 이번 연구는 자동화 범위를 실험장치의 전주기로 확장했다.

따라서 이 연구의 중요한 기여는 “레이저를 자동 조정했다”는 것이 아니라, 실험장치 자체를 소프트웨어가 재구성할 수 있는 물리적 연구자원으로 추상화했다는 점이다.

가설을 만드는 과학자와의 거리

이 시스템은 아직 완전한 Autonomous Scientist는 아니다.

• 과학적 연구질문과 가설은 인간이 제공한다.
• 어떤 광학 실험을 수행할지 스스로 결정하지 않는다.
• 실험 배치와 목표함수도 사용자가 지정한다.
• 새로운 관측으로 가설을 수정하거나 후속 실험을 생성하는 기능은 입증되지 않았다.
• 부품에 표준화 하우징과 식별자를 부착해야 한다.
• 10개 부품 규모의 단일 레이저 공동 중심 검증이다.
• 장기 무인운전, 부품고장 진단, 이기종 장비 연계 결과는 없다.
• 다른 연구실에서의 독립적 재현은 아직 보고되지 않았다.

그러므로 현재 수준은 다음 자율성 단계에 해당한다.

실험장치 구성·정렬·유지의 전주기 자율화는 달성했지만, 과학적 가설–실험–증거–믿음수정의 폐루프는 아직 구현하지 않았다.

ETRI: 재구성형 실험실을 넘어

이 사례는 ETRI 목표형상인 전주기 자율 과학 실험실에서 하드웨어 계층을 구체화하는 좋은 기준점이다.

1. “실험 자동화”에서 “실험실 재구성”으로 목표 상향

ETRI 목표는 고정된 로봇 셀이 정해진 프로토콜을 반복하는 것이 아니라, 연구목표에 따라 장비와 센서를 논리적·물리적으로 재구성하는 수준이어야 한다. MIT 연구를 기준으로 하면 다음 KPI를 설정할 수 있다.

• 무작위 초기배치에서 실험장치 구성 성공률
• 장치 구성 및 정렬 소요시간
• 위치·각도 정렬오차
• 외란 자동감지율과 복구 성공률
• 실험 간 부품·모듈 재사용률
• 인간 개입 없이 연속 재구성 가능한 실험 수

2. Physical AI 협업지능 패브릭과의 연결

로봇 팔, 카메라, 조정기, 광원과 분석기가 네트워크를 통해 하나의 실험시스템처럼 동작한다. 이를 여러 연구실과 원격 장비로 확장하면 ETRI의 협업지능 패브릭 연구대상이 된다.

핵심 연구문제는 다음과 같다.

• 장비 capability의 기계 판독 가능한 표현
• 초저지연 감지–판단–제어
• 장비 간 시간동기화
• 실험 workflow의 동적 배치
• 네트워크 단절 시 안전한 로컬 자율성
• 장비 교체에도 유지되는 상호운용성

3. TxAgentRAG·AssayKG-RAG 연계

현재 시스템 위에 다음 에이전트 계층을 추가할 수 있다.

• Hypothesis Agent: 검증 가능한 광학·재료 가설 생성
• Design Agent: 가설을 구별할 광학 배치 설계
• Evidence Retriever: 선행 실험·논문·장비조건 검색
• Configuration Agent: 요구 성능을 장비구성으로 변환
• Safety/Feasibility Checker: 충돌·출력·열·장비범위 검증
• Critic Agent: 결과가 가설을 실제로 지지하는지 평가

AssayKG-RAG의 qualifier 구조는 광학실험에서는 파장, 편광, 출력, 부품상태, 정렬오차, 온도, 시간 및 장비보정 이력으로 확장할 수 있다.

4. SGI D1–D7 평가와의 연결

특히 이번 시스템은 다음 세 기준에서 중요한 시험대상이 된다.

• D2 Provenance: 어떤 부품·배치·조정이 결과를 만들었는가
• D4 Condition Awareness: 외란·drift·정렬조건을 인식하는가
• D7 External Reproducibility: 동일 설계를 다른 로봇과 광학 테이블에서 재구축할 수 있는가

반면 D1 가설 조작화, D3 반대증거, D5 불확실성과 abstention, D6 믿음수정은 아직 미흡하다. 이 간극을 채우는 것이 ETRI의 차별화 연구가 될 수 있다.

증거책임형 전주기 자율 과학 실험실

이번 연구는 완성된 Autonomous Science Lab이라기보다 Reconfigurable Physical Experiment Executor의 강력한 실증이다. 그러나 전주기 자율실험실에서 가장 어려운 부분 중 하나인 “디지털 실험설계를 실제 장비구성으로 변환하고, 물리적 외란에서 스스로 회복하는 능력”을 보여줬다는 점에서 중요하다.

ETRI는 이를 그대로 추종하기보다 다음 목표로 확장하는 것이 적절하다.

과학적 가설을 검증 가능한 실험구성으로 변환하고, 분산된 장비를 동적으로 조립·제어하며, 결과와 실패를 근거 그래프로 축적해 다음 가설과 실험설계를 수정하는 증거책임형 전주기 자율 과학 실험실