소프트 웨어러블 핸드 로봇과 인공지능
장애인을 위한 폴리머 장갑부터 의도(intention) 예측 AI까지

발표자는 세종대학교의 강병현 교수로 자신을 소개합니다. 원래 배정받은 발표 시간이 1시간 반 정도라고 들었고, 학생 시절부터 소프트 웨어러블 로봇(soft wearable robot)을 개발해 왔으며, 지금도 같은 분야를 연구하되 로봇 자체뿐 아니라 거기에 인공지능(AI)까지 결합한 전체 시스템(whole system)을 주로 개발하고 있다고 말합니다.

당초 준비했던 주제도 "소프트 웨어러블 로봇과 인공지능"이었지만, 별도로 학생 시절에 했던 연구 내용을 담은 자료가 있어서 그것을 함께 섞어 소개하기로 했다고 합니다. 전체 필드(분야)를 한눈에 보여주기에 옛 자료가 더 적합하다고 판단한 것입니다. 발표자는 서울대학교에서 박사 학위를 받았고 미국에서 학부를 마쳤다고 본인 이력을 덧붙입니다.

"소프트 웨어러블 로봇"은 금속·관절 같은 딱딱한 구조 대신 천·케이블·공압 같은 부드러운(soft) 재료로 만들어 몸에 입는 로봇을 말합니다. 무겁고 거추장스러운 기존 외골격(exoskeleton)과 달리, 옷처럼 가볍고 신체에 잘 맞아 일상생활 보조에 유리합니다. 이번 강연은 손(hand)·허리(lumbar)·하지(lower limb)·발목(ankle)에 적용한 여러 소프트 로봇 사례를 따라가는 구성입니다.

이 슬라이드는 강연이 다룰 네 가지 연구 주제의 흐름을 미리 보여줍니다. 손에서 시작해 허리, 하지, 그리고 발목으로 이어지며, 신체 부위별로 소프트 웨어러블 로봇과 인공지능을 결합해 온 발표자의 연구 여정을 따라가게 됩니다. 뒤로 갈수록 단순한 기구(mechanism)에서 영상 인식 같은 AI 기술이 더 깊게 결합되는 방향으로 발전합니다.

발표자가 학생 시절 개발한 핵심 성과는 Soft Glove(소프트 장갑)형 손 보조 로봇입니다. 여기에 인공지능을 결합해 Science Robotics에 발표하는 등의 성과를 냈고, 이 기술로 2016년경 이탈리아에서 열린 소프트 로봇 경진대회에 나가 1등을 했다고 소개합니다. 주로 장애인을 위한 웨어러블 로봇을 개발해 왔습니다.

웨어러블 로봇 연구가 2000년대부터 본격적으로 주목받게 된 배경을 짚습니다. ① 의료 기술의 발전으로, 예전에는 사고로 사망했을 환자들이 살아남으면서 장애 인구가 늘었습니다. 일례로 오토바이 사고 시 헬멧을 함부로 벗기면 척추가 손상돼 척수 손상 환자가 생길 수 있는데, 이런 응급 지식이 보급되면서 완전 절단(완전 손상) 대신 불완전 손상(incomplete injury) 환자가 늘었습니다. ② 3D 프린터의 발전으로 시제품 제작이 쉬워졌고, ③ 전 세계적으로 생활 수준이 높아지면서 사회적 약자에 대한 관심이 커졌습니다.

이런 흐름 속에서 "사회적 약자를 어떻게 도울까"라는 질문에서 나온 첫 아이템이 장애인을 위한 웨어러블 로봇이며, 유럽에서 시작되었습니다. 발표자 연구실에서도 한 장애인을 만나 "내 손을 움직일 수 있게 해 달라"는 요청을 듣고 POC(개념 증명, Proof of Concept)부터 시작했습니다. 처음엔 자기 손에 직접 착용했지만 사용자의 의지가 개입될 수 있어 객관성이 떨어지자, 손가락 뼈 모양 구조물에 적용하는 식으로 발전시켰고, 이것이 2015년 EXO-Glove라는 로봇으로 이어졌습니다.

발표자가 언급한 세계 각국의 손 웨어러블 로봇 사례들입니다 — 이탈리아의 Gloreha(재활 로봇), 홍콩의 손 보조 장갑, 미국 NASA·GM이 공동 개발해 우주복용으로 연구해 온 RoboGlove(로보글러브), 그리고 제품화된 Ironhand(예전 명칭에서 변경됨)와 하버드대 개발품 등입니다. 그러나 대부분 손에 어느 정도 힘이 남아 있어야 작동하거나 재활용에 그쳐, 실제 일상생활에서 쓸 수 있는 제품은 드뭅니다.

그래서 연구실은 일상생활을 독립적으로 하기 위해 필요한 6가지 동작(국제적으로 ADL, Activities of Daily Living — 일상생활 활동으로 정의됨)을 독자적으로 수행할 수 있는 성능을 목표로 삼았습니다. 단순히 물건을 쥐는 기능뿐 아니라 착용성·적응성·위생·양손 사용·소형화(compactness) 같은 사용성 요소까지 함께 고려해야 한다는 점을 강조합니다. 발표자는 본인이 직접 그 장갑을 끼고 커피숍에서 테이크아웃을 하는 영상까지 제작했다고 합니다. 또한 처음부터 완성된 스토리를 짜고 로봇을 만든 것이 아니라, 로봇을 먼저 만든 뒤 "왜 이게 잘 되지?"를 거꾸로 분석하며 이야기를 보강해 나갔다는, 연구 과정의 솔직한 경험도 공유합니다.

웨어러블 로봇이 본격적으로 주목받기 시작한 것은 2000년대 들어서입니다. 그 배경에는 의료 기술의 발전이 있습니다. 예전에는 큰 사고를 당하면 사망하는 경우가 많았지만, 의료 기술이 발전하면서 생존율이 높아졌고 그만큼 장애 인구가 크게 늘었습니다. 교수님은 오토바이 사고 예시로 헬멧을 함부로 벗기면 척추가 손상되어 척수 손상 환자가 생긴다는 점을 들며, 이런 안전 상식이 사회적으로 퍼진 것도 같은 맥락이라고 설명합니다.

또 하나의 변화는 환자 유형입니다. 과거에는 완전 절단(완전 손상) 환자가 많았다면, 요즘은 불완전 손상(불완전 절단) 환자가 늘고 있어 보조 기술로 도울 여지가 커졌습니다. 여기에 3D 프린터 기술의 발전도 한몫했습니다. 그리고 가장 근본적으로는, 전 세계가 풍요로워지면서 2000년대부터 사회적 약자에 대한 관심이 높아졌고, "이들을 어떻게 도울 수 있을까"라는 물음에서 나온 첫 아이템이 바로 장애인을 위한 웨어러블 로봇이었으며 유럽에서 처음 시작되었습니다.

ADLs(일상생활 동작)는 재활·노인의학에서 자립도를 평가하는 핵심 기준입니다. 슬라이드의 6가지 동작을 스스로 해낼 수 있어야 비로소 '독립적인 일상생활'이 가능하다고 봅니다. 손 기능은 식사·몸단장·옷 입기처럼 거의 모든 ADL에 관여하기 때문에, 손을 보조하는 로봇이 삶의 질에 직접적인 영향을 줍니다. 척수 손상은 다친 척추 높이(경추·흉추 등)에 따라 마비 범위가 달라지며, 목 부위(경수) 손상일수록 손까지 마비가 옵니다.

교수님은 본인이 2010년부터 이 분야에 참여했고, 한 장애인 환자가 "내 손을 움직일 수 있게 해달라"고 한 말에서 출발했다고 회고합니다. 처음에는 개념 검증(POC)으로 자기 손에 직접 시도해 봤지만, 그러면 본인의 의지가 개입되어 객관적이지 않다는 점을 깨닫고, 손가락 뼈 모양 구조에 적용하는 식으로 발전시켰습니다. 그 결과 2015년 EXO-Glove(와이어 구동 장갑)가 탄생했고, 실제 장애인을 대상으로 스스로 컵을 잡아 마시는 영상까지 기록하며 세계 최초의 시연 사례를 만들었습니다.

이후 전 세계적으로 유사한 웨어러블 글러브가 쏟아졌습니다. 일본의 파워어시스트 계열 제품, 이탈리아의 Gloreha, 홍콩의 외골격형 장갑, NASA·GM의 RoboGlove(우주선 활용 목적, 논문은 거의 없음), 그리고 제품화된 Carbon Hand(구 디오숏) 등이 그 예입니다. 다만 실제로 제품화된 것은 손에 어느 정도 힘이 남아 있어야 작동하거나 재활용에 그치는 경우가 많아, 일상생활에서 바로 쓸 수 있는 로봇은 거의 없다는 것이 교수님의 진단입니다. 그래서 연구실에서는 ADL 6가지를 독립적으로 수행하려면 단순 파지 기능뿐 아니라 착용성·적응성·위생·양손 사용·소형화(compact) 같은 사용성 요소까지 함께 고려해야 한다고 정리했습니다.

TSM은 이 로봇이 쓰는 힘 전달 방식(텐던/와이어 기반 구동 메커니즘)을 가리키며, 손가락을 당기는 줄을 모터로 감아 쥐는 동작을 만듭니다. 이 연구의 핵심 차별점은 "착용 부위 무센서"입니다. 보통은 손가락에 센서를 붙여 물체 크기나 힘을 재지만, 그러면 위생·착용성·내구성에 문제가 생깁니다. 그래서 모터 쪽 데이터(전류·와이어 장력 등)만으로 물체 크기와 파지력을 머신러닝으로 추정하겠다는 것이 슬라이드 5~7로 이어지는 연구의 큰 그림입니다. 또한 교수님은 흥미롭게도 "스토리부터 만들고 로봇을 만든 게 아니라, 로봇을 먼저 만든 뒤 '왜 이게 잘 됐지?'를 거꾸로 분석하며 연구의 논리를 채워간다"는 실제 연구 과정을 강조합니다.

이 단계는 위에서 설명한 "무센서 추정"을 실험하기 위한 초기(Before) 실험 셋업입니다. 핵심은 와이어 장력을 로드셀로 측정하고, 모터(구동기)가 줄을 감아 장갑이 손을 쥐게 만드는 구조라는 점입니다. 즉 손가락 위가 아니라 구동부 쪽에서 힘과 위치 정보를 얻는다는 연구 방향이 하드웨어로 구현되어 있습니다.

대본에서 교수님은 글러브 자체의 재료 철학도 설명합니다. 손에 닿는 부분은 손 크기 차이를 흡수하도록 유연한 재질을 쓰고, 힘을 전달하는 텐던 쪽은 늘어나지 않는 재질(가죽 등)을 써야 힘이 제대로 전달됩니다. 이렇게 두 가지 상반된 성질의 재료를 조합하는 것이 장갑 설계의 근본 원리입니다.

'Before'의 어수선한 실험 장비를 실제로 착용 가능한 형태(After)로 통합한 결과입니다. 흩어져 있던 전원·구동기·로드셀·제어부를 팔뚝에 붙는 하나의 모듈로 압축했는데, 이는 앞 슬라이드에서 강조한 소형화(compact)·착용성 요건을 충족하기 위한 것입니다. 와이어 장력 측정부를 그대로 유지한 것은, 손에 센서를 붙이지 않고도 모터 쪽 장력 데이터로 물체 크기·파지력을 추정하겠다는 연구 콘셉트를 끝까지 살리기 위함입니다.

대본 후반에서 교수님은 이 장갑을 만들기까지의 고생담을 들려줍니다. 2015년 미국에서 천(직물) 소재 장갑이 위생 문제로 FDA 승인을 거절당한 사례를 계기로, 음식물·세탁 등 위생 이슈를 원천 차단하기 위해 폴리머(실리콘) 소재 장갑으로 방향을 틀었습니다. 당시 연구실의 실리콘 성형 최소 두께는 1mm 수준이라 모두가 "물리적으로 불가능하다"고 했지만, 실리콘 업체를 직접 찾아다니며 노하우를 배우고, 기포가 빠져나갈 길을 내는 몰드 설계를 익혀 6개월 만에 기포 없는 0.5~0.7mm 두께 성형에 성공했습니다. 나아가 3D 프린터로 실리콘 몰드를 제작할 수 있게 만들었고, 통기성·땀 문제를 해결하기 위해 최대한 구멍을 뚫고 부품 수를 줄이는 방향으로 디자인을 다듬었습니다.

왜 위생이 중요한가: 손 보조 장갑은 식사·세면 등 일상에 쓰이므로 음식물·땀·세균에 노출됩니다. 천 소재는 흡수·세탁이 어려워 위생 인증(FDA 승인)에 걸리지만, 실리콘/폴리머는 물로 닦아낼 수 있어 위생 문제를 근본적으로 해결합니다. 다만 통기성이 떨어져 땀이 차는 단점이 있어, 슬라이드의 장갑처럼 구멍을 많이 내는 설계로 보완합니다. 수동 엄지 구조(Passive Thumb)는 엄지를 능동 구동하지 않고 고정·받침대 역할로 두어, 검지~새끼손가락만 당겨도 안정적으로 물체를 감싸 쥐도록 하는 흔한 설계 기법입니다.

※ 이 구간의 녹취는 아직 앞 주제(폴리머 핸드 글러브)를 마무리하는 내용이라, 위 요추 로봇 슬라이드를 직접 설명하지는 않습니다. 슬라이드는 이미 2부로 넘어와 있어 시점이 어긋난 상태이며, 아래는 직전까지 이어진 핸드 글러브 이야기의 요약입니다.

교수님은 폴리머(polymer) 장갑을 만들게 된 계기를 설명합니다. 2015년 미국에서 천(직물)으로 만든 보조 장갑이 위생 문제(음식물·세탁 오염)로 FDA 승인 거절을 당한 사례를 보고, "위생 이슈가 생길 수 없는" 폴리머·실리콘 재질로 가자고 결심했다는 것입니다. 실리콘 성형은 당시 연구실 최소 두께가 약 1mm였고 기포가 빠지지 않는 등 난관이 많았지만, 업체를 수소문해 몰드 설계를 배우고 약 6개월 만에 0.5~0.7mm 이하 박막 성형과 3D 프린터 몰드 제작에 성공했다고 합니다.

이후 통기성(땀 문제)을 위해 구멍을 뚫고 파트 수를 줄였으며, 한 가지 재료로 낮은 강성(low stiffness)과 높은 강성(high stiffness)을 함께 구현(와이어 텐션으로 손가락을 굽히고 패턴으로 강성 조절)했습니다. 마지막으로 이 장갑에 인공지능(AI)을 붙여 사용자의 의도(intention)를 스스로 판단하게 만드는 연구로 확장합니다. 기존엔 기계 센서나 생체신호(EEG·EMG·EOG)로 사람이 직접 명령을 줘야 했지만(양손이 필요해 불편), AI가 의도를 추론해 자동으로 동작시키자는 방향으로 KAIST 측 연구실·학생과 협업해 Science Robotics 특집호를 준비했다는 일화로 이어집니다.

이 슬라이드에 해당하는 직접 설명은 녹취 구간에 포함되어 있지 않습니다(앞 주제 마무리 중). 아래 보충 설명으로 슬라이드 내용을 이해하면 됩니다.

정상적인 척추는 옆에서 보면 부드러운 S자입니다. 등(흉추)은 뒤로 볼록한 후만, 허리(요추)는 앞으로 오목한 전만을 이루며, 이 곡선이 서 있을 때 충격을 흡수하고 무게중심을 발 위에 정렬시킵니다. 굽은등 증후군은 이 요추 전만이 펴져 허리가 일자로 납작해지는 상태로, 무게중심이 발보다 앞쪽으로 이동합니다.

그러면 몸이 앞으로 쓰러지지 않으려고 계속 근육에 힘을 줘야 하고, 결국 상체를 앞으로 숙인 채(hunched back) 지팡이에 의존해 걷게 됩니다. 고령층에서 흔하며 만성 요통과 보행 효율 저하로 이어진다는 것이 이 연구가 푸는 문제의 출발점입니다.

이 슬라이드에 대한 직접 발화는 해당 녹취 구간에 없습니다. 슬라이드 기반으로 핵심만 보충합니다.

핵심 개념은 근감소증(sarcopenia)으로 인한 악순환입니다. 잘못된 자세·퇴행성 변화·협착증·디스크 퇴행이 허리를 받치는 핵심 근육(대요근·척추기립근·다열근)을 약화시키면, 근육이 줄어 허리를 못 세우고, 자세가 더 나빠져 근육이 더 빠지는 식으로 되먹임이 일어납니다.

MRI 비교 영상이 이를 직관적으로 보여줍니다. 왼쪽(정상)에는 노랑·빨강·파랑으로 둘러싼 근육 단면이 크고 선명하지만, 오른쪽(굽은등)에서는 같은 근육이 가늘게 위축되어 있습니다. 척추를 지지하는 '근육 엔진'이 약해진 것이 문제의 본질이라는 점을 강조하는 슬라이드입니다.

해당 녹취 구간에는 이 슬라이드에 대한 직접 설명이 없습니다. 아래 보충으로 맥락을 보완합니다.

이 슬라이드는 "왜 새로운 소프트 로봇이 필요한가"를 정당화합니다. 수술은 척추를 금속으로 고정(유합)해 곡선을 바로잡지만, 위험·합병증이 크고 무엇보다 허리를 굽히고 펴는 운동성 자체를 잃게 됩니다. 한 번 굳히면 일상 동작이 영구히 제약됩니다.

보조기(브레이스)는 비수술적이지만 딱딱해서 혼자 입고 벗기 힘들고, 허리를 자연스럽게 굽힐 수 없으며, 필요한 부위를 정밀하게 지지해 주지 못합니다. 즉 "수술은 과하고, 보조기는 불편하다"는 빈틈을 채우는 것이 이 연구의 동기입니다.

이 슬라이드 역시 해당 녹취 구간에서 직접 설명되지 않았습니다. 슬라이드 기반 보충을 참고하세요.

세 선행 연구는 점점 '부드럽고 가벼운' 방향으로 발전합니다. (a)는 무거운 강체 외골격, (b)는 모터·케이블을 등에 진 백팩형, (c)는 꼬임줄 액추에이터(twisted string actuator)를 써서 줄을 비틀어 당기는 방식으로 더 가볍게 만든 사례입니다. 모두 "수술 없이 허리를 펴 준다"는 같은 목표를 공유합니다.

특히 세 번째 목적(능동적 각도 조절)이 중요합니다. 단순히 허리를 뻣뻣하게 고정하는 것이 아니라, 사용자가 상황에 맞게 허리를 굽히고 펼 수 있게 유연성과 의도 반영을 함께 노린다는 점이, 다음 슬라이드의 소프트 로봇 설계로 이어집니다.

이 슬라이드에 대한 직접 발화는 해당 녹취 구간에 없습니다. 핵심 메커니즘을 아래에서 보충합니다.

건-시스 메커니즘(TSM)은 자전거 브레이크선(보우든 케이블)과 같은 원리입니다. 유연한 외피(sheath) 속에 든 줄(tendon)을 모터가 잡아당겨 힘을 멀리 전달하므로, 무거운 모터를 허리에서 떨어진 곳에 둘 수 있어 착용부가 부드럽고 가벼워집니다. 줄을 당기면 허리를 펴고, 풀면 굽힐 수 있어 능동적 각도 조절에 적합합니다.

설계 고려사항은 앞서 본 기존 방식의 단점(무겁고, 혼자 입기 어렵고, 굽힘이 불편하고, 정밀 지지가 안 됨)을 뒤집은 것입니다. 가볍고, 혼자 쉽게 착탈하고, 콤팩트하며, 정확한 위치를 지지하면서도 사용자의 의도대로 허리를 굽힐 수 있는 것이 목표입니다. ("fast phrases"는 'fast phases', 즉 빠른 동작 단계를 가리키는 표기로 보입니다.)

이 연구 전체를 관통하는 교수님의 문제의식은 "우리가 만든 게 정말 작동하는가를 어떻게 증명할 것인가"입니다. 사용자의 의도를 예측했다고 주장하려면 "그게 정말 의도가 맞느냐"는 질문에 답할 의무가 있다는 것이죠. 그 증명 정신이 하드웨어 쪽에서 먼저 드러난 게 이 EMG 평가입니다.

EMG는 근육이 낼 때 발생하는 전기 신호의 크기를 재는 것이라, 같은 동작이라도 로봇이 허리를 받쳐 주면 등 근육이 덜 일하게 되고 신호가 작아집니다. 그래서 미착용/구동 정지/구동 세 조건을 같은 사람에게 반복시켜 비교했고, 구동했을 때 척추기립근 부하가 통계적으로 분명히 줄어든다는 것을 ANOVA로 못 박았습니다.

척추기립근(erector spinae)은 허리를 펴고 버티는 핵심 근육으로, 흉추 쪽이 TES, 요추 쪽이 LES입니다. MVC 정규화는 사람마다 근전도 절대값이 달라서, 각자 최대로 힘줄 때를 100%로 잡고 그 대비 몇 %인지로 환산해 비교 가능하게 만드는 방법입니다. 반복측정 ANOVA는 동일 피험자가 여러 조건을 다 수행했기 때문에(독립 집단이 아니라) 쓰는 검정입니다.

여기서 알고리즘의 출발점이 "의도(intention) 라벨링을 언제부터 어떻게 줄 것인가"라는 매우 주관적이고 난해한 문제였다고 합니다. 교수님은 'intention'이라는 개념만 한 달을 공부했는데, 심리학·인문학마다 정의가 전부 달라 신기할 정도였다고 해요. 그러다 행동심리학(behavioral psychology)에서 두 문장을 찾습니다 — "의도는 제3자 관점(third-person view)에서 볼 때 비로소 더 정확하게 정의된다", 그리고 "사람은 움직임으로부터 의도를 유추한다(humans infer intentions from motions)".

이 두 문장이 연구 질문을 한 줄로 압축해 줍니다 — "착용형 로봇이 사람의 행동으로부터 의도를 유추할 수 있을까?" 그래서 등에 단 IMU 신호(움직임)만으로 사용자가 지금 앉으려는지 일어서려는지를 로봇이 스스로 판단해 모터를 당기거나 풀도록 설계한 것이, 이 흐름도의 핵심입니다.

교수님은 비슷한 의도 추론 연구를 손 로봇(장갑)에서 먼저 했던 경험을 배경으로 들려줍니다. 일반적인 로봇 팔은 물체의 위치·크기 같은 물체 정보를 찾아 잡지만, 그가 한 건 사람의 움직임에서 "언제 잡고 언제 놓을지"라는 타이밍(Finding/Grasping/Timing)을 찾는 전혀 다른 문제였다고 강조합니다. 그래서 POC(개념증명)는 최대한 단순하게, 빨간 물체 하나를 책상에 놓고 팔이 와서 잡고–들고–내려놓는 영상만 찍어 학습시켰고, REST/RISE 같은 규칙을 미리 정의해 라벨을 붙였습니다.

이 슬라이드의 허리 로봇도 같은 발상입니다 — 카메라 대신 IMU 신호를 이미지로 변환(CWT)해 CNN에 넣고, 사람의 움직임 패턴만으로 동작 의도를 분류합니다. 흥미로운 비하인드로, 후배에게 반복 실험을 시켰더니 그 후배의 팔 각도에서만 잘 되고 다른 사람은 안 되는 문제가 있었다고 합니다. 그런데 어느 새벽 4시, 갑자기 "형, 뭘 갖다 놔도 다 돼요!" 하는 설명 불가능한 현상이 나타났고, 교수님은 그게 왜 되는지를 끝까지 파고들었다고 해요.

CWT(continuous wavelet transform)는 시계열 신호를 "어느 시점에 어떤 주파수 성분이 있었는지"의 2D 이미지로 펼치는 변환입니다. 1차원 센서 신호를 이미지로 바꾸면, 이미지 분류에 강한 CNN을 그대로 쓸 수 있게 됩니다. IMU(관성측정장치)는 가속도계+자이로로 움직임을 잡는 작은 센서예요.

"왜 갑자기 다 되지?"를 검증하기 위해 교수님이 직접 한 추가 실험들이 이 결과의 신뢰도를 뒷받침합니다. 물체 색을 바꿔 보니 빨간색이 가장 잘 되고 다른 색은 덜 됐고, 팔이 다가가는 속도(40·60·80 BPM)는 생각보다 영향이 작았다고 합니다. 이유는 카메라 프레임레이트(약 30fps)가 그리 높지 않아, 빠르게 움직여도 잡히는 프레임 수가 비슷했기 때문이라고 해석합니다.

가장 스스로 칭찬하는 실험은 손 모양 마스킹이었습니다. 손 영역을 통째로 칠해 외곽선만 남겨도 잘 됐다는 것 — 즉 AI는 손의 정확한 모양을 보는 게 아니라 외곽 라인(움직임의 궤적)만 보고 있었다는 걸 확인한 겁니다. 여기서 내린 결론이 "팔의 움직임 + 손–물체 상호작용, 이 두 가지만으로 의도를 감지할 수 있다"이고, 동시에 치명적 단점도 분명합니다 — 둘 중 하나라도 화면에 보이지 않으면 의도 감지가 안 됩니다. 핵심은 특정 방법이 아니라 "사람의 움직임만으로 의도를 명시할 수 있다"는 것을 보여 준 패러다임 자체라고 못 박습니다.

혼동행렬은 행=실제 클래스, 열=예측 클래스로, 대각선이 1에 가까울수록 정확합니다. 여기서 stay·sit은 완벽하지만 to stand와 walk가 서로 헷갈리는데(0.20·0.17), 둘 다 다리를 펴는 비슷한 동작이라 직관적으로 납득되는 오분류입니다. 검증 0.94 대비 테스트 0.92로 차이가 작아 과적합이 심하지 않다는 신호이기도 합니다.

실시간 감지는 한 번의 출력으로 바로 움직이지 않고 연속 5회 같은 결과가 나와야 동작하는 투표(voting) 방식으로 오작동을 줄입니다. 더 중요한 건, 교수님이 "정말 의도를 맞췄는가"를 증명한 방식입니다. 같은 피험자에게 EMG를 붙이고 이번엔 로봇 없이 스스로 동작하게 한 뒤, 근전도 신호 기준의 '실제 의도 시점'(파란/빨간 점선 = 잡을 때/놓을 때)과 AI 신호(검은 실선)를 비교했습니다.

결과적으로 AI 신호가 사람의 EMG 신호보다 조금 더 빨리 나왔습니다. 이게 결정적이었던 이유는 용어 선택과 직결되기 때문입니다. intention detection은 의도가 생긴 뒤 감지하는 것이고, intention prediction은 의도가 생길 것을 미리 예측하는 것이라 훨씬 어렵습니다. 논문 내내 두 용어 사이를 오갔지만, "AI가 사용자보다 먼저 신호를 준다"는 이 결과를 근거로 마침내 prediction이라는 용어를 써도 된다고 결론 내렸다고 합니다.

이 사진이 바로 앞에서 말한 EMG 검증 실험의 현장입니다. 피험자가 로봇 구동 없이 스스로 앉고 서는 동작을 반복하고, 그때 나오는 근전도 신호를 '사람의 실제 의도 시점'의 기준으로 삼아 AI 예측 시점과 맞춰 본 것이죠. 이렇게 해야 "예측이 맞았다"가 아니라 "예측이 사람보다 빨랐다"까지 보여 줄 수 있습니다.

교수님은 이어서 후속 연구 방향도 귀띔합니다. 장갑형 로봇에서는 센서를 장갑에 직접 달면 세탁·착용성 등 "센서 없는 장갑"이라는 철학이 무너지므로, 센서를 장갑이 아니라 구동기(actuator) 쪽에 달아 손에서 일어나는 일을 추론하려 했다고 합니다. 다만 이게 어려운 이유가 세 가지인데 — (1) 손도 말랑하고 (2) 접촉부도 말랑하며 (3) 건(tendon)으로 당기는 와이어가 비선형이라는 점입니다. 강체 로봇은 10을 당기면 10도 움직이지만, 이 시스템은 늘어남·마찰(hysteresis) 때문에 10을 당겨도 그대로거나 20·30을 당겨야 조금씩 움직이고, 접촉 중에는 손이 계속 흔들립니다. 이 세 가지를 다 풀어야 하는 게 다음 과제였다고 정리합니다.

EMG를 '정답(ground truth)'으로 쓰는 발상이 핵심입니다. 의도는 눈에 안 보이지만, 근육이 수축하기 시작하는 순간은 근전도로 잡힙니다. 그래서 EMG 시점을 사람의 실제 의도 발생 시각으로 두면, AI가 그보다 앞서는지 뒤처지는지를 객관적으로 비교할 수 있습니다. 건 구동(tendon-driven)은 사람 힘줄처럼 줄로 당겨 움직이는 방식이라 가볍고 유연하지만, 줄의 늘어남과 마찰 때문에 입력–출력 관계가 비선형이 되는 게 고질적 난점입니다.

교수님은 이 연구의 핵심 가치가 화려한 하드웨어가 아니라, 사용자의 의도를 예측해 로봇이 먼저 움직일 수 있다는 점에 있다고 강조합니다. 같은 패러다임 위에서 센서를 더 붙이면 성능은 당연히 좋아지지만, 착용성·세탁 가능성 같은 실용 가치를 지키려고 일부러 센서를 최소화하고 액추에이터 정보만으로 해석하는 방향을 택했다는 설명입니다.

가장 어려웠던 문제는 "정말 사용자의 의도를 맞췄는가"를 증명하는 일이었다고 합니다. 이를 위해 동일한 피험자에게 장갑을 끼우고 이번엔 근전도(EMG) 신호까지 함께 측정해, 사람이 스스로 물체를 잡고 내려놓을 때의 의도(그래프의 파란/빨간 점선)와 AI가 내는 신호(검은 실선)를 비교했습니다. 결과적으로 AI 신호가 사람 신호보다 조금 더 빨리 나타났고, 시선 추적(gaze) 데이터에서도 물체 자체가 아니라 손이 향하는 지점만 하이라이트되는 것으로 의도 예측을 뒷받침했다고 말합니다.

특히 용어 선택을 두고 동료와 오래 고민한 점을 소개합니다. 의도 감지(intention detection)는 의도가 생긴 뒤에 감지하는 것이고, 의도 예측(intention prediction)은 앞으로 생길 의도를 미리 내다보는 것이라 훨씬 어렵습니다. AI 신호가 사용자보다 빠르다는 결과가 곧 "미리 행동해도 된다"는 근거가 되므로, 논문에서 "프리액션(pre-action)" 즉 예측 쪽으로 결론을 내렸다는 디테일한 과정을 들려줍니다.

편평등 증후군(flat back syndrome)은 척추 요추부의 정상적인 앞쪽 곡선(전만)이 사라져 등이 평평해지면서 서 있을 때 몸이 앞으로 쏠리는 질환입니다. 그래서 이 로봇은 단순히 힘을 더하는 것이 아니라 요추를 펴주는 신전 보조가 목적이라는 점이 일반 외골격과 다릅니다.

"센서를 장갑(또는 착용부)에 달지 않고 액추에이터 쪽에만 단다"는 발상이 핵심입니다. 착용감·세탁성을 해치지 않으면서, 모터의 와이어 길이·장력처럼 이미 측정 가능한 신호만으로 손에서 일어나는 비선형적인 움직임을 역으로 추정하겠다는 전략입니다. 손과 장갑이 모두 말랑해 당긴 만큼 정확히 굽혀지지 않는 비선형성과 마찰·유격 문제가 있어, 이런 시계열 패턴을 다루기 위해 LSTM 같은 순환 신경망을 활용하는 흐름으로 이어집니다.

대본의 이 구간은 앞 장갑 연구를 매듭짓고 교수 부임 이후 연구실에서 진행 중인 작업으로 넘어가는 전환부에 해당합니다. 교수님은 자신이 처음부터 “로봇 하드웨어와 인공지능을 함께 하러 왔다”고 밝히며, 손가락 관절각 추정 장치·손 모델링·의료/재활 평가 제품 등 자신의 연구 포트폴리오를 정리합니다.

이 표지 슬라이드부터는 그 연장선에서, 손에서 다리로 무대가 옮겨갑니다. 장갑에서 쌓은 “센서를 최소화하고 액추에이터 정보만으로 인체-기구의 비선형 거동을 읽어낸다”는 접근과, 와이어(건, tendon) 구동·소프트 구조라는 설계 철학이 그대로 하지 재활 보조 로봇으로 이어진다는 점이 핵심 맥락입니다.

이 슬라이드의 세부 임상 설명은 다음 구간 대본에서 이어지지만, 흐름상 “재활 로봇을 왜 만드는가”라는 동기를 보여주는 자리입니다. 교수님은 앞서 양손 장갑을 환자에게 착용시켜 주전자를 양손으로 여닫게 하는 시연 영상을 언급하며 실제 환자에게 쓰이는 것을 목표로 한다고 강조했는데, 같은 환자 지향이 하지 보조로 확장됩니다.

즉 핵심 메시지는 “건강인용 파워 증강이 아니라, 뇌졸중으로 무너진 보행 패턴(비대칭·발 처짐 등)을 다시 세워주는 보조”라는 임상 목적의 설정입니다.

편마비(hemiparetic)는 몸의 한쪽이 약해지는 상태입니다. 뇌졸중 후 발목을 위로 드는 근육(전경골근)이 약해지면 보행 중 발끝이 바닥에 걸리는 foot drop이 나타나, 환자는 다리를 빙 돌려 내딛거나(circumduction) 끌게 됩니다. 그래서 하지 엑소슈트의 1차 목표 관절이 발목과 무릎인 것이 자연스럽습니다.

이 슬라이드가 사실상 섹션 제목의 “강성 이방성과 와이어 구동”이 등장하는 지점입니다. 소프트 슈트는 편하고 자연스럽지만(저강성이 유리), 정작 힘을 전달하려면 변형이 적어야 합니다(고강성이 유리). 이 둘은 서로 상충합니다.

교수님이 장갑 연구에서 줄곧 강조한 화두 — “부드러움(편안함)을 지키면서도 힘은 단단히 전달한다” — 가 여기서 하지 슈트의 핵심 과제로 다시 명시됩니다. 같은 설계 철학이 손에서 다리로 일관되게 이어진다는 점을 읽어두면 다음 슬라이드의 해법이 자연스럽게 연결됩니다.

강성 이방성(stiffness anisotropy)이란 “방향에 따라 단단함이 다르다”는 뜻입니다. 핵심 아이디어는 한 가지 소재/구조로, 몸을 누르는 방향으로는 부드럽게(저강성 → 편안함·순응), 힘을 전달하는 방향으로는 단단하게(고강성 → 효율적 토크 전달) 만드는 것입니다. 이렇게 하면 위의 ①·② 상충을 동시에 해결할 수 있습니다. 대사 비용(metabolic cost)은 그 움직임에 드는 에너지 소모량으로, 무거운 강체 외골격은 오히려 사용자를 더 지치게 만들 수 있다는 비판의 근거입니다.

장갑에서 “센서를 장갑이 아니라 액추에이터에 달아 손에서 일어나는 일을 읽는다”는 모듈/최소화 철학을 강조했던 것처럼, 하지 슈트도 부품을 표준화해 필요한 관절만 조합하는 구조로 설계됩니다. 환자마다 약해진 관절이 다르니(발목만, 무릎만, 또는 둘 다) 모듈형이 임상적으로 합리적입니다.

또한 와이어로 당겨 토크를 만드는 구동 방식과 함께 백드라이버빌리티를 강조하는데, 이는 “로봇이 사람의 움직임을 막지 않는다”는 슬라이드 27의 ‘자연스러운 움직임 순응’ 요구를 액추에이터 차원에서 만족시키는 조건입니다.

백드라이버빌리티(backdrivability)는 “모터를 끄거나 사람이 거꾸로 밀었을 때 관절이 얼마나 쉽게 따라 움직이는가”를 뜻합니다. 백드라이버빌리티가 높을수록 로봇이 사용자의 자발적 움직임을 방해하지 않아 안전하고 편안합니다 — 강체 외골격의 ‘저항’ 문제를 푸는 열쇠입니다. sit-to-stand는 의자에서 일어서는 동작으로, 무릎·발목에 큰 토크가 필요해 재활 보조의 대표적 평가 과제입니다. 정리하면 이 슬라이드는 “부드러움+강성(이방성), 와이어 구동, 모듈화, 백드라이버블 액추에이터”라는 설계 원리를 한 장으로 압축한 것입니다.

이 슬라이드부터는 교수가 된 뒤 새 연구실에서 진행 중인 하지(下肢) 웨어러블 로봇 이야기로 넘어갑니다. 교수님은 원래 의료 로봇·시술 자동화 쪽으로 방향을 틀고 싶었지만, 대학원생 시절 실적이 전부 웨어러블 로봇이라 과제가 그쪽으로만 통과되어 결국 웨어러블 로봇 연구를 다시 이어가게 되었다고 솔직하게 털어놓습니다.

그 흐름에서 만난 환자군이 바로 플랫백 증후군(flatback syndrome), 즉 허리가 펴지지 않는 '꼬부랑 할머니' 환자들입니다. 이들은 근육이 부족한 게 아니라 허리 근육이 지방화(脂肪化)되어 상체를 세우는 힘 자체가 없어지는 것이 문제라고 설명합니다. 이런 환자를 돕는 소프트 엑소수트를 만들 때, 위의 세 가지 기준(고정점·강성·편의성)이 가장 중요한 출발점이 됩니다.

소프트 엑소수트는 딱딱한 외골격(rigid exoskeleton)과 달리 천·밴드 같은 부드러운 소재로 몸에 힘을 전달합니다. 그래서 '고정점'이 어디에 놓이느냐가 곧 힘의 방향과 효율을 결정하고, 동시에 부드러운 소재가 너무 늘어나면(낮은 강성) 힘이 새거나 피부가 쓸리게 됩니다. 세 기준은 사실상 "힘은 잘 전달하되, 몸은 편하게"라는 상충하는 요구를 동시에 만족시키려는 균형점이라고 보면 됩니다.

발목 엑소수트는 '모듈형'이라는 점이 핵심입니다. 허리 벨트에서부터 정강이, 발까지 여러 부품을 필요에 따라 떼었다 붙였다 할 수 있게 구성했다는 의미입니다. 발목은 걸을 때 발등을 드는 동작(dorsiflexion)과 땅을 차는 동작(plantarflexion) 두 방향으로 힘을 줘야 하므로, 각 동작을 담당하는 근육·힘줄 위치에 맞춰 와이어가 지나갈 고정점과 통로를 배치한 것입니다.

앞·옆·뒤 세 방향에서 본 사진으로 와이어가 어디에 걸려 어느 방향으로 당겨지는지를 보여줍니다. 앞쪽(정강이 앞, 가운데 발가락)은 발을 드는 힘을, 뒤쪽(정강이 뒤, 발뒤꿈치)은 땅을 차는 힘을 만들어 보행을 보조하도록 설계되어 있습니다.

무릎 모듈은 발목과 똑같은 모듈형 철학으로 만들어졌지만, 담당하는 관절이 무릎이라는 점만 다릅니다. 무릎을 펴는 힘(extension)은 허벅지 앞쪽 근육(rectus femoris)에, 무릎을 굽히는 힘(flexion)은 종아리·허벅지 뒤쪽 근육(gastrocnemius, sartorius)에 대응시켜 고정점을 잡았습니다.

발목·무릎 모듈을 이렇게 따로 설계해 두면, 환자마다 약해진 관절에 맞춰 필요한 모듈만 조합해 하지 전체 엑소수트를 구성할 수 있습니다. 앞서 말한 '다양한 체형에 대한 적응성'이라는 설계 기준이 이 모듈화로 실현되는 셈입니다.

발목 엑소수트의 힘은 결국 발에서 땅으로 전달되어야 하므로, 발 부분을 어떻게 고정하느냐가 매우 중요합니다. 그래서 별도의 특수 신발을 만드는 대신, 등산용 아이젠처럼 환자가 신던 운동화 위에 그대로 덧신는 크램폰 방식을 택했습니다. 착용이 간편하고, 누구의 신발에나 맞출 수 있다는 점이 앞서 강조한 '편의성·적응성' 기준과 직결됩니다.

토 캡은 발 앞쪽(중족골)을, 힐 밴드는 발뒤꿈치를 잡아 와이어를 당겨도 신발이 벗겨지거나 밀리지 않게 합니다. 아웃솔은 5mm EVA로 가볍게 만들어 무게 부담을 줄이면서도 보행 중 미끄러지지 않도록 접지력을 확보했습니다.

고정점이 잘 잡혀야 하는 이유는 첫 슬라이드의 설계 기준과 연결됩니다. 발이 신발 안에서 조금이라도 밀리면, 와이어가 만든 힘이 관절을 움직이는 데 쓰이지 못하고 신발을 헐겁게 끌어당기는 데 낭비됩니다(전단력·변형 발생). 토 캡·힐 밴드로 발을 단단히 고정하는 것은 곧 '강성을 높여 힘 전달 효율을 지킨다'는 원칙의 실제 구현입니다.

여기서부터는 분위기가 확 달라집니다. 교수님은 손 외골격(웨어러블 로봇)을 10여 년 해 오다가, 교수가 되면서 원래 관심사였던 의료 로봇 쪽으로 가고 싶었다고 말합니다. 의사들이 쓰는 시술 기구나 방법론 중에 의외로 원시적·수작업적인 게 많아서 그걸 자동화하고 싶었다는 거죠. 그런데 그동안 쌓은 실적이 전부 웨어러블 로봇이라, 과제는 결국 웨어러블 로봇으로 써야 통과되더라는 현실적인 이야기를 합니다.

그래서 "울며 겨자 먹기"로 다시 웨어러블 로봇 연구를 이어가되, 의료 쪽 꿈은 사이드로 끌고 갑니다. 예컨대 안과 의사인 배우자와 연계해 안과 이미징을 인공지능(딥러닝)으로 푸는 문제를 새 학생에게 맡기고, 요즘 가장 핫한 휴머노이드까지도 "먹고살려면 어쩔 수 없다"며 손대게 됐다는 솔직한 배경을 깔아 줍니다. 이 슬라이드의 하지 외골격은 그 흐름에서 나온, 손이 아닌 다리·허리를 돕는 새로운 갈래입니다.

이 로봇이 왜 필요한지를 설명하기 위해 교수님은 환자 이야기를 꺼냅니다. 이른바 플랫백 증후군(Flat Back Syndrome), 쉽게 말해 허리가 펴진 "꼬부랑 할머니"입니다. 원래 허리는 알파벳 S자(전만)로 휘어 있어야 하는데, 이분들은 그 곡선이 일자로 펴져 버립니다.

핵심 원인은 근육이 없는 게 아니라, 허리를 지탱하는 정상 척추기립근이 지방화(fatty degeneration)로 바뀌어 버린 데 있습니다. 농사짓는 시골 할머니들이 단백질(고기·계란·우유)을 잘 안 드시고 나물·밥 위주로 식사하다 보니, MRI에서 원래 시커멓게 보여야 할 근육 단면이 마치 마블링처럼 허옇게 지방으로 변해 있다는 거죠. 근육이 빠지니 허리를 들어 올릴 힘 자체가 없어, 들어 올려도 곧 다시 내려앉고 시간이 갈수록 점점 더 굽어집니다. 이 다리·허리 모듈은 바로 그런 사용자가 신발 위에 걸쳐 입을 수 있도록 설계된 부분입니다.

이런 환자들의 기존 해결책은 슬라이드 왼쪽에 나온 척추 변형 교정술(Spine Deformation Surgery)입니다. S자 모양의 쇠봉을 등을 열고 척추에 넣은 뒤, 손가락만 한 나사를 척추에 직접 박아 고정하는 큰 수술입니다. 등을 펴고 똑바로 세상을 볼 수 있게 되니 심리적·외형적 만족이 커서 환자분들이 아주 많이 원하고, 비용도 수천만 원에 달합니다.

그런데 치명적인 단점이 있습니다. 허리를 통째로 고정해 버리니 다시 숙일 수가 없다는 것이죠. 그래서 바지나 속옷을 혼자 못 입고, 양말도 혼자 못 신고, 바닥에 부드럽게 앉거나 일어나는 일상 동작이 극도로 힘들어집니다. 이 무릎 신전 지지 구조처럼, 외골격은 수술이 아닌 방식으로 굽은 허리를 펴 주는 대안을 노립니다 — 굽힐 땐 모멘트 암을 키워 힘을 잘 내고, 펼 땐 얇아져 거추장스럽지 않게 한 게 핵심입니다.

마침 이 척추 변형 수술을 집도할 수 있는 분이 전국에 거의 없을 만큼 드문데, 그분이 건국대의 한 교수님을 거쳐 교수님께 연락이 닿았다고 합니다. 원래 이런 외골격은 군인이나 현장 작업자용으로 개발되던 것이었는데, 이를 플랫백 환자용으로 만들어 보자는 제안이 들어왔고, 마침 학생들도 손이 비어 있어 직접 제작에 들어갔습니다.

이렇게 만든 옷처럼 입는 외골격(엑소수트)의 핵심 원리는, 구동하면 굽은 등을 활처럼 쭉 펴 준다는 것입니다. 와이어를 팽팽하게 당기는 방식으로 장비가 몸통을 펴 내는데, 이때 모든 힘이 시작되는 토대가 바로 이 허리 벨트입니다. 가장 단단한 장골능에 V자 웨빙으로 단단히 앵커를 잡아 줘야, 와이어를 당겨도 벨트가 밀리지 않고 그 반력으로 등을 세울 수 있습니다.

등을 펴 주는 것만으로는 부족했습니다. 일단 펴 준 뒤 걸으면 약간 걸그덕거리고, 사용자가 앉기 시작하면 장비가 살짝 아래로 내려가야 하는데, 이 동작 전환을 로봇이 스스로 감지(detection)해야 일상생활이 가능해집니다. 그래서 IMU(관성센서)를 하나 달아, 사용자의 자세를 거꾸로 역추정해 거기에 맞춰 로봇 거동을 바꿔 주는 방식까지 들어갔습니다.

여기서 흥미로운 트릭이 나옵니다. IMU의 시계열 데이터를 그대로 쓰지 않고, 이를 RGB 값의 색 이미지로 변환한 뒤 그 이미지를 분류기에 넣습니다. 그러면 앉기·걷기·일어서기·(등) 받기 같은 네 가지 동작을, 원천(raw) 데이터를 그대로 쓸 때보다 훨씬 더 잘 구분해 냅니다. 이 버전은 현재 업그레이드되어 논문으로 출판된 상태라고 합니다.

시계열 센서 데이터를 이미지로 바꿔 분류하는 건 실제로 자주 쓰는 기법입니다. 1차원 신호를 2차원 이미지로 인코딩(예: 시간을 가로축, 채널을 세로축, 값을 색으로)하면, 영상 인식에서 검증된 CNN 구조와 사전학습 모델을 그대로 활용할 수 있어 패턴 구분이 쉬워지는 경우가 많습니다. 낮은 P 게인 제어는 목표 위치로 부드럽게(약하게) 끌어당기는 전략으로, 사람을 강하게 구속하지 않으면서 보조만 더해 안전성과 착용감을 확보하려는 의도이고, QDD(Quasi-Direct-Drive) 모터는 감속비를 크게 낮춰 역구동성과 토크 제어가 좋아, 사람과 힘을 주고받는 웨어러블 로봇에 적합한 구동기입니다.

참고로 교수님은 이 흐름 끝에서 뇌졸중 환자용 보행 보조 로봇 이야기로 넘어갑니다. 평생 "보행은 후발주자라 안 하겠다"던 분야였지만, 국립재활원·서강대 협업으로 단 며칠 만에 과제를 내고 시작하게 된 우여곡절을 들려주며, 연구 주제가 계획대로만 흘러가지 않는다는 점을 강조합니다.

이 다리 보조 로봇(보행 보조 엑소슈트)은 처음엔 인공지능 기반으로 동작을 구분하려 했지만, 최종 시스템은 발바닥 센서(인솔)를 활용해 타이밍을 맞춰 구동되는 형태로 개발했다고 정정합니다. 즉 "AI로 네 가지를 구분"이 아니라 센서 기반으로 위상을 나눠 제어하는 방식이라는 점을 분명히 합니다.

구분 단위는 두 가지 큰 행동입니다. 보행(걷기)과 앉았다 일어서기(STS)인데, 보통의 보조 로봇이 "보행만" 다루는 데 비해 이 과제는 "보행 + 하나 더"라는 컨셉이 요구됐고, 그래서 시트-스탠드(sit-to-stand)를 추가 행동으로 잡았습니다. 센서 신호가 일정 임계값을 넘기 전/후로 단계를 나눠, 단계마다 무릎·발목에 필요한 보조 토크를 넣어주는 구조입니다.

왜 발 처짐 방지가 핵심인가 — 뇌졸중 환자는 유각기에 발목을 들어올리지 못해(drop foot) 발끝이 땅에 끌립니다. 그래서 발이 땅에서 떨어진 유각기 (-,-)에서 발목을 들어주는 배측굴곡(DF) 보조가 들어가야 발끝 걸림 없이 다리가 앞으로 나갑니다. 반대로 말기 입각에서는 저측굴곡(PF)으로 땅을 밀어 추진력을 만듭니다. 정상 보행의 발목 움직임을 단계별로 모사해 주는 셈입니다.

그래프의 메시지는 단순합니다 — 발 앞/뒤 압력이 바뀌는 시점에 맞춰 무릎·발목 모터 각도가 따라 움직인다는 것, 즉 센서가 잡아낸 단계와 실제 보조 구동이 잘 동기화돼 "잘 작동한다"는 증거입니다.

이 로봇은 일반 한 관절 로봇과 달리 발목·무릎 두 관절을 동시에 구동해야 하는 까다로운 과제였습니다. 그래서 단계 전환 타이밍이 어긋나면 보조가 오히려 방해가 되는데, 인솔 센서 기반 위상 판별 덕분에 보행과 일어서기 모두에서 단계에 맞는 토크를 넣을 수 있었다고 강조합니다.

강의에는 또 다른 "의도 예측"의 핵심 아이디어가 나옵니다 — 별도 연구에서 IMU(관성센서) 데이터를 RGB 색상 이미지로 변환한 뒤, 그 이미지를 보행·앉기·일어서기 등 행동 라벨로 분류했더니, 원시 데이터(raw data)를 그대로 분류하는 것보다 훨씬 정확하게 분류됐다는 발견입니다. 시계열 센서 신호를 이미지로 바꿔 영상 분류 모델의 강력함을 빌려오는 접근으로, 이 섹션 제목의 "데이터·라벨링·핵심 발견"에 해당하는 대목입니다.

총 10명의 뇌졸중 환자를 대상으로 실험했고, 결과부터 말하면 놀랍게도 큰 문제(부상·이탈) 없이 진행됐다고 합니다. 원래 이런 임상 실험은 정말 어렵기 때문에, 10명 중 6~7명에게서 유의미한(다소 미약하더라도 의미 있는) 결과가 나온 것 자체가 성과라는 톤입니다.

수집 항목이 단순 보폭만이 아니라 관절 가동범위·자세 흔들림까지 포함된 점이 중요합니다. 환자마다 증상이 다르니 보조 수준을 올리거나 내리고, 무릎만 보조하거나 보행을 길게 시키는 식으로 조건을 달리해 어떤 세팅이 효과적인지 함께 살펴봤습니다.

분회보행(circumduction)이란 발목을 못 들어 발끝이 끌리니까, 다리를 옆으로 크게 반원 그리듯 돌려서 내딛는 보행입니다. 강의에서 "팔은 안쪽으로 감기고 다리는 돌려서 걷는" 모습이 바로 이것으로, 뇌졸중 환자의 전형적 특징입니다. 자세 흔들림(postural sway)은 서거나 걸을 때 몸통(복부·흉부)이 좌우로 흔들리는 정도로, 균형 능력을 정량화하는 지표입니다.

정성 평가에서 가장 핵심은 힘 전달(force transmission) 문제입니다. 보조력이 워낙 세기 때문에 벨트로 단단히 조이지 않으면 슈트가 미끄러져 힘이 새고, 그렇다고 너무 조이면 환자가 불편해집니다. 그런데도 "압박·불편이 없다"가 9/10으로 나왔다는 건 디자인이 이 균형을 잘 잡았다는 뜻입니다.

특히 대부분의 사용자가 앞발이 들리는 감각을 느꼈다는 점이 의미 있습니다. 이는 앞서 본 발목 배측굴곡(DF) 보조가 실제로 체감되도록 작동했다는 주관적 증거로, 발 처짐 방지가 사용자 입장에서도 "느껴지는" 수준으로 동작했음을 보여줍니다.

핵심 발견은 10명 중 7명(70%)에게서 발목 관절 각도가 개선됐다는 것입니다. 앞서 "6~7명 정도가 유의미한 결과"라고 한 언급과 일치합니다. 단순히 슈트를 착용만 해도(A→B), 구동까지 더하면(B→C, A→C) 발목 각도가 정상 보행에 가깝게 회복되는 경향을 정량적으로 보여줍니다.

이는 슬라이드 38~39에서 설계한 인솔 센서 기반 단계별 발목 보조가 실제 환자 데이터에서 효과로 확인됐다는 마무리입니다. 즉 (1) 의도/단계 예측 → (2) 단계별 토크 보조 → (3) 발목 각도 개선이라는 흐름이 임상에서 닫힌 셈입니다.

표를 읽는 요령: A→B(착용 효과)는 슈트의 물리적 구조만으로 생기는 변화, B→C(구동 효과)는 모터가 능동적으로 더해주는 변화, A→C(전체)는 둘의 합산 효과입니다. 이렇게 단계를 분리하면 "개선이 단순히 무언가를 입어서인지, 아니면 능동 보조 때문인지"를 구분할 수 있어, ◎(5° 이상 개선)이 구동 조건에서 나타나면 모터 보조의 기여를 입증하게 됩니다.

이 로봇은 처음 POC(개념 검증) 단계에서는 노끈으로 다리를 감아 휠체어를 당기는 수준이었다가, 직접 봉제·가공까지 해가며 완성한 모듈러 하지 웨어러블 로봇입니다. 발목만 구동, 무릎만 구동, 또는 둘 다 동시에 착용·구동할 수 있도록 따로따로 고정·결합되는 구조이고, 정강이 심브레이스·허벅지 고정부·무릎 익스텐션 지지 구조 등으로 구성됩니다. 서 있을 때는 모멘트 암을 낮게, 앉았다 일어설 때는 구조물이 올라오며 모멘트가 증폭되도록 설계해 기립을 돕는 컨셉이었습니다(잘 안 되어 일부는 폐기).

핵심 난점은 힘 전달이었습니다. 출력이 워낙 세서 벨트를 꽉 조이지 않으면 당길 때 미끄러져 힘이 새고, 너무 조이면 환자에게 압박이 갑니다. 이 표는 그렇게 만든 시스템을 총 10명의 환자에게 적용한 결과로, 놀랍게도 중도 이탈 없이 약 6~7명에게서 유의미하거나 미약하지만 의미 있는 개선이 관찰됐다는 점을 강조합니다. 보통 이런 임상은 성공이 매우 어렵다는 맥락에서 의미 있는 성과라는 설명입니다.

EXT/FLX는 무릎을 펴는 동작(신전)과 굽히는 동작(굴곡)을 가리킵니다. back knee(반장슬, genu recurvatum)는 무릎이 정상 범위를 넘어 뒤로 과신전되는 보상 패턴으로 뇌졸중 환자에게 흔합니다. 모멘트 암(moment arm)은 힘이 회전축(관절)에서 떨어진 거리로, 같은 힘이라도 모멘트 암이 길수록 토크가 커집니다 — 앉을 때 구조물이 펴지며 토크를 키우려는 의도입니다.

이 로봇의 본래 목적은 마비측과 비마비측의 불균형을 잡아 좌우 균형을 맞춰주는 것이었습니다. 그런데 의외로 반대쪽(보조하지 않은 쪽)까지 좋아지는, 예상치 못한 방향으로 결과가 나왔습니다. 교수님 스스로도 "결론만 보면 이상하다"고 할 만큼 인과가 명확치 않지만, 환자들이 매우 만족했고 실제 보행 양상이 좋아진 것은 분명하다고 설명합니다.

여기서 뇌졸중 환자의 전형적 보상 동작이 등장합니다. 발목을 들어올리지 못하는 족하수(foot drop) 때문에 다리를 그냥 내밀면 발끝이 땅에 걸려 넘어지므로, 다리를 바깥으로 돌려 내미는 휘돌림 보행(circumduction)이나 팔을 굽혀 감는 자세가 나타납니다. 로봇을 착용하면 힘 없던 다리에 힘이 생겨 보행 속도와 양상이 눈에 띄게 좋아지더라는 것이 핵심 관찰입니다.

IMU(관성 측정 장치)는 가속도·각속도 센서로 신체 분절의 기울기·움직임을 측정합니다. 가슴과 복부에 각각 붙여 두 부위의 흔들림 차이를 보면 몸통이 한쪽으로 쏠리는지(비대칭) 좌우로 고르게 움직이는지(대칭)를 정량화할 수 있습니다. STS(Sit-to-Stand)는 앉았다 일어서는 동작으로, 균형 능력을 평가하는 대표적 과제입니다.

한 석사 지원생이 "AI를 하고 싶다"고 해서, 1차 연도에 2년치 분량으로 로봇을 완성하고 2차 연도에 거기에 AI를 붙여 졸업하는 방향을 잡았다는 비하인드를 들려줍니다. 그렇게 카메라/센서를 붙여 완성한 것이 이 보행 위상 검출 연구입니다. 계단을 오를 때 발이 걸리지 않게 보행 패턴(제어 패턴)을 바꿔주려면, 계단 같은 상황을 실시간으로 인식해야 합니다. 그런데 이런 인식을 실제 웨어러블 로봇에 적용해 환자 테스트까지 한 사례가 없었다는 점이 출발점이었습니다.

웨어러블 로봇은 걷는 도중 즉시 판단해 보행을 보정해야 하므로 연산이 매우 빠르고 가벼워야 합니다. 그래서 무거운 알고리즘 대신 실시간성이 보장되는 경량 모델을 탐색했고, 엣지 검출 계열(HED 등)과 경량 백본(EfficientNet, 그리고 최종적으로 MobileNet 계열)을 결합·구조 변형하는 방향으로 발전시켰습니다. 슬라이드의 최종 구성은 MobileNetV3 백본 + Tucker-2 분해 압축으로, 가벼우면서도 높은 정확도와 실시간성을 동시에 잡는 것을 지향합니다.

보행 위상(gait phase)은 한 걸음의 주기를 0~100%로 표현한 것으로, 발이 땅에 닿는 시점(heel strike)을 0%로 보고 다음 동일 시점까지를 한 사이클로 나눕니다. 로봇이 "지금이 보행 주기의 몇 %인지"를 알아야 적절한 타이밍에 힘을 보조할 수 있습니다. Tucker-2 분해는 신경망의 큰 가중치 텐서를 작은 텐서들의 곱으로 근사해 연산량·메모리를 줄이는 압축 기법으로, 임베디드 환경에서의 실시간 추론을 가능하게 합니다.

이 연구의 출발점은 한 석사 학생이 "비전(vision)을 해보고 싶다"고 지원하면서 시작됐습니다. 교수님은 비전을 직접 가르쳐 줄 수는 없지만 방향성은 잡아줄 수 있다고 보고, 2년 남은 과제에서 1차 연도에 로봇을 완성하고 2차 연도에 비전을 얹어 그 시스템으로 졸업하는 계획을 세웠습니다. 그렇게 카메라를 붙여 완성한 것이 바로 이 비전 시스템입니다.

핵심 문제는 계단처럼 환경이 바뀌는 구간입니다. 족하수 환자는 발목이 떨어져 있어 계단을 오를 때 발끝이 걸려 넘어지기 쉽기 때문에, 환경(평지·계단)을 인식해 보행 제어 패턴을 바꿔주는 연구는 있었지만 실제 웨어러블 로봇에 적용해 환자 테스트까지 간 사례가 없었습니다. 그 빈틈을 메우려 한 것이 이 연구입니다. 다만 웨어러블 로봇은 걷는 도중 결과가 즉시 나와야 하므로 알고리즘이 무거우면 안 되고, 실시간성(real-time)을 최대한 보장할 만큼 가벼워야 한다는 제약이 있었습니다.

그래서 다단계로 윤곽선을 검출하는 HED(엣지 검출 알고리즘)와, 가벼우면서도 성능 저하가 적은 EfficientNet을 결합했습니다. 백본(backbone)은 EfficientNet으로 두고 HED 결과를 입력으로 넣는 EfficientNet-HED 구조를 만들어, 평지·오르막·내리막·계단 등 보행 환경 전환을 단계별로 분류하도록 학습시켰습니다.

HED(Holistically-nested Edge Detection)는 이미지의 여러 해상도 단계에서 윤곽선을 추출해 합치는 딥러닝 기반 엣지 검출 기법입니다. 계단의 단차(엣지)를 잡아내는 데 적합합니다. EfficientNet은 모델 깊이·너비·해상도를 균형 있게 키워 적은 연산량으로 높은 정확도를 내도록 설계된 경량 신경망입니다. 둘을 합쳐 "엣지 정보(HED) + 가벼운 분류기(EfficientNet)"로 빠르고 정확한 환경 인식을 노린 것입니다.

실험에서 백본을 EfficientNet으로 바꾼 효과 자체는 크지 않고 비슷했지만, HED의 여러 단계 특징을 일부만 띄엄띄엄 넣기보다 전부 넣었을 때 성능이 더 잘 나와 최종적으로 모든 단계를 입력에 포함했습니다. 다만 실제 검증은 아직 난이도가 높아 비장애인 대상 연구실 단계까지만 진행됐고, 환자 적용은 향후 과제로 남겨두었습니다.

여기서부터는 교수님 부임 이후 진행 중인 현재 연구실의 방향입니다. 국가 지원 과제가 마무리되면서 작년에 후속 과제(NRC '25~'29)를 따냈고, 그 결과물을 연구실 안에 머무는 시제품이 아니라 실제로 환자가 쓸 수 있는 제품으로 끌어올리려 하고 있습니다.

핵심은 모듈형·소프트 타입이라는 점입니다. 한쪽 다리만, 혹은 필요한 부위만 선택적으로 착용할 수 있게 모듈화하고, 딱딱한 외골격 대신 부드러운 형태로 만들어 착용 부담을 줄이는 방향입니다. 앞서 소개한 뇌졸중·족하수 환자 사례처럼, 이런 보조 로봇을 착용하면 다리에 힘이 생겨 보행이 눈에 띄게 좋아지는 효과가 있었기에 제품화를 추진하는 것입니다.

다만 의료기기는 효과만으로 바로 팔 수 없으므로, 의료기기 인허가를 받은 뒤 정식 출시하는 단계를 마지막 목표로 두고 있습니다. 즉 "연구 → 제품화 → 인허가 → 출시"로 이어지는 로드맵입니다.

강연을 마무리하는 감사 인사 슬라이드입니다. 지금까지 살펴본 양손/양다리 확장, SLAM·비전 결합, 그리고 제품화까지의 흐름이 모두 세종대 지능로봇연구실에서 진행 중인 연구 방향임을 보여주며 발표를 마칩니다.