로보틱스 물리 AI 데이터 수집에서 인간 개입의 기술적 필요성

구조와 흐름

• 로보틱스 데이터 수집 기획·시연·라벨링·품질 검수·센서 보정·학습 피드백으로 이어지는 인간 개입 흐름
• 자동 라벨링·이상 탐지와 인간 검수 결합을 통한 멀티센서 정합, 오류 교정, 엣지 케이스 축적
• 원격 조작, 모방학습, RLHF, DAgger 기반의 실시간 교정 루프

선택 이유

• 복잡한 멀티모달 센서 데이터의 시간·공간 정합과 맥락 판단 필요성
• 안전 중요 환경의 오라벨·오동작 위험과 시뮬레이션 검증 한계
• 희귀 사례, 사회적 뉘앙스, 주관적 보상 기준의 자동화 난점

트레이드오프

• 도메인 랜덤화, 스타일 전이, 고정밀 시뮬레이션, Real-to-Sim 활용에도 남는 Sim-to-Real Gap
• 시각·물리 모델 부정확성, 센서 노이즈, 환경 변화에 따른 실제 배치 성능 저하
• 인간 보정 데이터 증가에 따른 정책 성공률 개선 가능성

적용해볼 점

• 이상 탐지 후보를 인간이 최종 판정하는 QA 파이프라인 구성
• 실패 시 조종권을 넘겨 교정 시연을 수집하는 Human-Gated 학습 루프 적용
• 실제 환경 데이터와 전문가 검수를 시뮬레이션 기반 정책의 검증·보정에 결합