📃Event Roller Tactile Sensor

Development of a High-Speed Event Vision-Based Roller Tactile Sensor for Large-Surface Inspection

• Paper Link
• Poster Link

---

🔍 Ping Review

🔍 Ping — A light tap on the surface. Get the gist in seconds.

---

🔔 Ring Review

🔔 Ring — An idea that echoes. Grasp the core and its value.

본 리뷰는 ViTac 2026 워크숍에 게재된 짧은 초록과, 동일 연구의 확장판 저널 논문(arXiv:2507.19914, “They See Me Rolling: High-Speed Event Vision-Based Tactile Roller Sensor for Large Surface Inspection”)의 공개 내용에 근거해 작성했습니다. 일부 수치와 세부 사항은 확장판에서 가져왔으며, 워크숍 초록만으로 확인하기 어려운 부분은 본문에 (추측) 으로 표시했습니다.

서론

큰 표면을 “만져서” 검사한다는 것

항공기 동체(fuselage)나 대형 패널처럼 넓은 금속 표면을 검사하는 일을 상상해 봅시다. 우리가 찾고 싶은 것은 미세한 균열, 스크래치, 찍힘(dent), 리벳·나사의 단차처럼 수십~수백 마이크로미터(µm) 수준의 기하학적 결함입니다. 카메라로 멀리서 찍는 광학 검사도 있지만, 빛 반사·각도에 민감하고 깊이 정보를 정밀하게 얻기 어렵습니다.

그래서 등장한 것이 시각 기반 촉각 센서(Vision-Based Tactile Sensor, VBTS) 입니다. 대표적으로 GelSight 계열이 있습니다. 동작 원리를 비유하자면 이렇습니다.

• 투명한 젤(elastomer) 덩어리를 표면에 꾹 누릅니다.
• 젤 표면은 검사 대상의 형상대로 미세하게 변형됩니다.
• 젤 안쪽에서 카메라가 이 변형을 들여다봅니다.
• 변형된 표면의 음영/패턴으로부터 3D 깊이를 복원합니다.

이 방식은 국소(local) 해상도가 매우 높다는 장점이 있습니다. 마치 손끝으로 점자를 읽듯 미세한 요철을 잡아냅니다. 그러나 치명적인 한계가 있습니다. 한 번에 작은 영역(보통 손가락 끝만 한 넓이)만 볼 수 있어서, 넓은 표면을 검사하려면 “눌렀다 떼고 옮기고 다시 누르는(press-and-lift)” 동작을 수없이 반복해야 합니다. 비행기 한 대를 이렇게 검사한다고 상상하면 끔찍하게 느립니다.

논문 그림 1

연속 측정의 두 갈래와 각각의 벽

이 “느림” 문제를 풀기 위해 두 가지 연속 측정 방식이 제안되어 왔습니다.

1. 슬라이딩(sliding) 방식: 젤을 표면 위에 대고 그대로 미끄러뜨립니다. 직관적이지만, 마찰과 마모(wear)가 발생하고 보호막이 광학적으로 빛을 산란시켜 화질을 떨어뜨립니다. 손바닥으로 거친 벽을 문지르면 손이 아픈 것과 같습니다.

2. 롤러/벨트(roller/belt) 방식: 젤을 원통(롤러)이나 컨베이어 벨트처럼 만들어 표면 위를 굴립니다. 마찰·마모가 거의 없어 슬라이딩보다 유리합니다. 페인트 롤러를 벽에 굴리는 모습을 떠올리면 됩니다.

하지만 롤러/벨트 방식에도 공통의 벽이 있습니다. 바로 카메라의 프레임 레이트(frame rate) 입니다. 일반 카메라는 정해진 시간 간격으로 사진을 “찰칵찰칵” 찍는데, 롤러를 빨리 굴리면 노출 시간 동안 피사체가 움직여 모션 블러(motion blur) 가 생깁니다. 흔들린 사진으로는 µm 단위 형상을 복원할 수 없으니, 결국 천천히 굴려야 합니다. 기존 벨트형 센서(GelBelt)가 45 mm/s, 롤러형(TouchRoller)이 11 mm/s에 머무는 이유입니다.

이 논문의 한 줄 아이디어

이 논문은 그 벽을 카메라 자체를 바꿔서 넘습니다. 일반 프레임 카메라 대신 이벤트 카메라(event camera, 뉴로모픽 비전 센서) 를 롤러 안에 넣은 것입니다. 핵심 성과를 먼저 요약하면 다음과 같습니다.

항목	성능	기존 대비
스캔 속도	0.5 m/s (500 mm/s)	GelBelt 대비 약 11배, TouchRoller 대비 약 45배
깊이 정확도(MAE)	100 µm 미만 (전체 평균 약 62 µm)	sub-100µm 정밀도 유지
점자(Braille) 판독	0.5 m/s에서 100% 정확도	선행 연구(0.18 m/s) 대비 약 2.6배 빠름

즉 “빠르면 흐려진다”는 트레이드오프를 이벤트 카메라로 깨고, 거기에 BMA(Bayesian Model Averaging)라는 다중 시점 융합 기법을 더해 정확도까지 끌어올린 것이 이 연구의 정체성입니다.

방법

1. 이벤트 카메라: “변화”만 비동기적으로 본다

이벤트 카메라를 이해하는 가장 좋은 비유는 “움직임을 감지하는 자동 점등 센서 수백만 개” 입니다. 일반 카메라가 모든 화소의 밝기를 정해진 시간마다 한꺼번에 읽는다면, 이벤트 카메라의 각 화소는 독립적·비동기적으로 동작합니다. 화소가 보는 로그 밝기(log brightness)의 변화량 \Delta L 이 대비 임계값(contrast threshold) C 를 넘는 순간에만 “이벤트”를 발사합니다.

하나의 이벤트는 다음과 같이 표현됩니다.

e_k = (x_k,\; y_k,\; t_k,\; p_k)

• (x_k, y_k): 화소 좌표
• t_k: 마이크로초(µs) 단위 타임스탬프
• p_k \in \{-1, +1\}: 극성(밝아짐/어두워짐)

이 구조에서 나오는 이점이 곧 이 센서의 무기입니다.

• 마이크로초 시간 해상도: 롤러가 빨리 굴러도 “언제 무슨 변화가 있었는지”를 정밀하게 안다 → 모션 블러가 본질적으로 없음
• 높은 동적 범위(HDR): 조명 변화에 강함
• 희소(sparse) 출력: 변화 있는 곳만 데이터가 생김 → 연산·전송 부담이 작음

비유하자면, 일반 카메라가 “1초에 30번 방 전체를 사진 찍는 사람”이라면, 이벤트 카메라는 “방 안에서 무엇이든 움직이는 순간 그 위치와 시각을 즉시 속삭여 주는 수십만 개의 감시 눈”입니다. 빠른 롤링 검사에 이상적입니다.

2. 기계 설계: 굴러가는 투명 원통 안의 눈

센서의 물리적 구성은 다음과 같습니다 (수치는 확장판 기준).

• 투명 아크릴 원통 + 반투명 엘라스토머(Smooth-On Sorta-Clear 18, Shore A 경도 18) 층: 빛이 통과하면서도 표면 형상에 따라 변형
• 반사 코팅(은빛 mica 기반): 실크스크린 인쇄로 도포 → 빛을 잘 반사시켜, GelSight식 광도 입체(photometric stereo)에 의존하지 않고도 형상을 드러냄 → 조명 변화에 강건
• 이벤트 카메라(DVXplorer mini, 640×480): 원통 내부에 고정
• 백색 LED 링 + 디퓨저: 내부 균일 조명
• 구동: UR10 로봇 팔 엔드이펙터에 장착, 표면 위를 굴림

논문 그림 2

flowchart LR
    A[Surface defect: crack / rivet / braille] --> B[Soft elastomer deforms]
    B --> C[Reflective coating reveals shape]
    C --> D[Event camera inside roller]
    D -->|microsecond events| E[Event stream e_k]
    E --> F[Pose interpolation from UR10 at 100 Hz]
    F --> G[EMVS multi-view stereo]
    G --> H[Three DSIs at t_s, t_m, t_e]
    H --> I[BMA fusion]
    I --> J[Fused depth map Z_f]
    J --> K[3D surface reconstruction]

3. 3D 복원의 토대: 이벤트 기반 다중 시점 스테레오 (EMVS)

깊이 복원의 핵심 원리는 운동 시차(motion parallax) 입니다. 차를 타고 갈 때 가까운 가로수는 빠르게 스쳐가고 먼 산은 천천히 움직이는 그 현상입니다. 즉, 카메라(롤러)가 움직일 때 이벤트가 화면에서 움직이는 속도가 그 점까지의 깊이를 알려줍니다.

EMVS는 이를 다음처럼 구현합니다.

1. 관심 볼륨을 깊이 평면으로 분할(discretization): 깊이 범위 43–47 mm(엘라스토머가 변형될 수 있는 범위)를 500개 평면으로 쪼갬 → 평면당 약 8 µm 해상도. 부피는 \bar{D} \in \mathbb{R}^{w \times h \times N_z} (여기서 w \times h = 640 \times 480, N_z = 500).

2. 각 이벤트를 광선(ray)으로 역투영(back-projection): 보정된 카메라 내부 파라미터와 포즈를 사용해 이벤트를 3D 공간의 광선으로 쏘아 보냄. 핀홀 모델은

z\,\mathbf{p} = \mathbf{K}\,[\mathbf{R} \mid \mathbf{t}]\,\mathbf{P}_w

여기서 \mathbf{K} 는 내부 파라미터 행렬, [\mathbf{R}\mid\mathbf{t}] 는 외부 파라미터(회전·이동), \mathbf{P}_w 는 월드 좌표의 3D 점입니다.

3. DSI(Disparity Space Image) 누적: 3D 공간을 voxel로 나누고, 광선이 지나간 voxel에 “표(vote)”를 던집니다. 실제 표면이 있는 곳에서 여러 시점의 광선이 교차하므로 그 voxel의 표가 몰립니다. 각 화소 광선을 따라 표가 가장 많은(local maxima) 지점을 적응적 가우시안 임계화(Adaptive Gaussian Thresholding)로 골라내면 준-조밀(semi-dense) 깊이 맵이 나옵니다.

4. 포즈 추정·보간: 로봇 엔드이펙터 포즈는 100 Hz로 기록되지만 이벤트는 µs 단위라 훨씬 촘촘합니다. 그래서 이벤트를 256개씩 묶고(packet) 그 중앙값 타임스탬프에 해당하는 포즈를 선형 보간합니다. 카메라의 절대 포즈는 순기구학과 손-눈 보정(hand-eye calibration)의 합성으로 얻습니다.

\mathbf{T}_C^B(t) = \mathbf{T}_E^B(t)\cdot \mathbf{T}_C^E

(\mathbf{T}_E^B: 베이스 대비 엔드이펙터, \mathbf{T}_C^E: 엔드이펙터 대비 카메라)

4. 이 논문의 핵심 기여: BMA(베이지안 모델 평균) 융합

기본 EMVS는 하나의 기준 시점(reference view) 을 정해 그 시점 기준으로 단 하나의 깊이 맵을 만듭니다. 그런데 롤러는 표면이 곡면이라 시점에 따라 깊이가 들쭉날쭉해지고, voxel 이산화로 인한 잡음도 섞입니다.

논문 그림 3

저자들의 아이디어는 단순하면서 효과적입니다. 같은 이벤트 스트림으로 서로 다른 세 기준 시점에서 세 개의 DSI(깊이 맵)를 만들어 평균 내자. 20 ms 시간 창(window) 안에서 다음 세 시점을 잡습니다.

• t_s: 창의 시작
• t_m: 창의 중앙
• t_e: 창의 끝

각각에서 깊이 맵 Z_s, Z_m, Z_e 를 얻은 뒤, 공통 기준 프레임(t_m)으로 워핑(warping)한 다음 가중 평균합니다.

Z_f = \sum_{i \in \{s, m, e\}} w_i \cdot \mathcal{W}_i(Z_i)

여기서 \mathcal{W}_i 는 워핑 함수, w_i 는 보정으로 학습된 융합 가중치입니다. 그리드 탐색으로 MAE를 최소화해 얻은 최적 가중치는

w_s = 0.445,\quad w_m = 0.333,\quad w_e = 0.222

직관과 어긋나는 흥미로운 발견: 보통 “중앙 시점이 가장 안정적이니 가장 큰 가중치를 받겠지”라고 생각하기 쉽지만, 실제로는 시작 시점 t_s 가 가장 큰 가중치를 받았습니다. 저자들은 그 이유를 (추정) 다음으로 해석합니다.

• t_s 에서는 로봇 상태(포즈)를 직접 측정할 수 있어 보간 오차가 없음
• 창 후반부로 갈수록 적분 오차가 누적됨
• 초반 특징이 가림(occlusion) 발생 전이라 더 안정적

여러 약한 추정치를 적절히 가중 평균하면 강한 추정치가 된다는 점에서, 앙상블 학습이나 칼만 필터의 “여러 관측 융합” 철학과 같은 결을 가집니다.

직관적인 의사코드는 다음과 같습니다.

Input: event stream E, robot poses P, window length = 20 ms
Output: fused depth map Z_f

for each 20 ms window W in E:
    t_s, t_m, t_e = start, middle, end of W
    for t_ref in {t_s, t_m, t_e}:
        DSI = build_DSI(W, P, ref_time = t_ref)   # back-project + vote
        Z[t_ref] = extract_depth(DSI)              # ray-count maxima
    # warp each depth map to common frame t_m, then weighted-average
    Z_f = 0.445 * warp(Z[t_s]) + 0.333 * warp(Z[t_m]) + 0.222 * warp(Z[t_e])
    emit Z_f

5. 파라미터 보정: 작은 금속 구로 정답을 만든다

EMVS·BMA에는 튜닝할 파라미터들이 있습니다: 대비 임계값 C, 중앙값 필터 크기 G_f, 융합 가중치 w_s, w_m, w_e. 이를 반지름 4 mm 금속 구(sphere) 한 번의 측정으로 보정합니다. 구는 기하가 정확히 알려져 있으므로, 접촉 원의 반지름 r(픽셀)과 스케일 인자 f = 0.0422 mm/픽셀을 이용해 각 픽셀의 정답 깊이 Z_{gt} 를 해석적으로 계산할 수 있습니다.

\big((x_i - x_b)\,f\big)^2 + \big((y_i - y_b)\,f\big)^2 + (z_i - z_b)^2 = R_{sphere}^2

그리고 다음 목적함수를 최소화합니다.

\min_{\theta}\; \mathbb{E}\big[\,\lVert Z_f - Z_{gt} \rVert_1\,\big],\qquad \theta = \{C, G_f, w_s, w_m, w_e\}

핵심은 구 하나로 보정한 파라미터가 계단·피라미드·육각형 등 다양한 형상에도 잘 일반화되었다는 점입니다(교차 검증 확인). 보정 비용이 매우 낮다는 실용적 장점입니다.

6. 보너스 파이프라인: 점자 읽기

3D 복원과 별개로, 미세 특징을 고속에서 잡아내는 능력을 점자(Braille) 판독으로 시연합니다. 롤러가 등속 v_{roller} 로 굴러간다는 점을 이용해 이벤트의 광학 흐름(optical flow)을 보상합니다.

\dot{u} = -\frac{F}{Z}\,v_{roller}

(F: 초점 거리, Z \approx 47 mm: 거의 일정한 깊이). 각 이벤트를 기준 시각 t_{ref} 로 워핑하여

\mathbf{x}'_k = \mathbf{x}_k - \dot{\mathbf{U}}\,(t_k - t_{ref})

이렇게 정렬된 이벤트를 누적하면 IWE(Image of Warped Events) 라는 선명한 이미지가 만들어집니다. 모션 블러를 사후에 “되감아” 제거하는 셈입니다. 이후 ROI 추출, 양방향 필터, CLAHE 대비 보정, 이진화, 형태학 연산, 그리고 Hough 원 변환으로 점자 점을 찾아 룩업 테이블과 대조합니다.

실험

실험 설정

• 플랫폼: UR10 협동 로봇, 엔드이펙터에 롤러 센서 장착
• 속도 범위: 0.05 – 0.5 m/s (포즈/속도는 100 Hz 로깅)
• 대상 물체: 보정용 구, 3D 프린팅 형상(계단·구·육각형·범프·피라미드), 대형 표면(선형 어레이 0.1–1.2 mm 높이, 문자 플레이트 0.4–0.6 mm + 인공 결함), 표준 점자판, 실제 부품(리벳 머리, M2 나사산, 직물 텍스처)
• 처리: 13세대 Intel i7 CPU에서 오프라인 처리. 점자 파이프라인 약 19.3 ms/프레임, EMVS 3D 복원 약 377 ms/프레임

주요 결과 1 — 단일 물체 3D 복원 정확도

전체 평균 MAE는 약 0.062 mm(62 µm) 로 sub-100µm를 달성했습니다.

물체	MAE (mm)	표준편차 (mm)
Sparse Sphere	0.0120	0.0010
Stairs	0.0581	0.0026
Bumps	0.0589	0.0024
Pyramid	0.0677	0.0058
Hexagon	0.0808	0.0042
Sphere(꽉 찬 구)	0.0946	0.0081
전체	0.0620	0.0047

해석: “Sparse Sphere”(특징/에지가 많은 구)는 12 µm로 압도적으로 정확한 반면, 매끈한 “Sphere”는 95 µm로 가장 부정확합니다. 이는 EMVS가 에지·날카로운 특징이 있는 곳에서 강하고, 매끈한 면에서는 약하다는 본질을 그대로 보여줍니다(운동 시차로 표를 모으려면 “변화”가 있어야 하기 때문).

논문 PDF — p.2

주요 결과 2 — BMA의 효과

BMA는 기본 EMVS 대비 평균 MAE 25.2% 감소(0.3 m/s 기준)를 보였습니다. 특히 주목할 점은 속도가 빠를수록 BMA의 이득이 커진다는 것입니다.

속도	BMA의 MAE 개선
0.05 m/s	약 5.3%
0.3 m/s	약 25.2%
0.5 m/s	약 26.4%

느린 속도에서는 세 기준 시점이 거의 같은 장면이라 융합 효과가 미미하지만, 빠를수록 시점 차이가 커져 다중 시점 평균의 가치가 살아납니다. 또한 선형 어레이 복원에서 깊이의 표준편차가 0.067 mm(EMVS) → 0.028 mm(BMA)로 약 58% 줄어, 균일성(consistency) 도 크게 개선되었습니다.

주요 결과 3 — 대형 표면과 속도 비교

• 선형 어레이: 0.0638 ± 0.0055 mm MAE
• 문자 플레이트: 0.0596 ± 0.0035 mm MAE, 글자와 인공 결함을 성공적으로 포착

다른 롤러/벨트 센서와의 비교는 이 논문의 가장 강력한 주장입니다.

센서	최대 속도 (mm/s)	MAE (µm)	비고
GelBelt	45	약 13.5	정확하나 느림
GelRoller	—	175
TouchRoller	11	—	2D 텍스처만
제안 센서	500	62.0	3D 복원 + sub-100µm

GelBelt보다 정확도(13.5 µm)는 떨어지지만, 속도가 11배 빠르면서도 sub-100µm를 유지한다는 점이 핵심입니다. 산업 검사에서 속도는 곧 비용이므로 이 트레이드오프는 매력적입니다.

주요 결과 4 — 점자 판독

• 0.5 m/s에서 100% 문자 인식
• 선행 연구(0.18 m/s, 87.5% 정확도) 대비 약 2.6배 빠른 속도에서 더 높은 정확도

IWE 기반 모션 보상이 고속에서도 미세 특징을 또렷하게 만든다는 것을 정량적으로 입증한 사례입니다.

비판적 고찰

강점

• 트레이드오프 자체를 깬 발상: “빠르면 흐려진다”는 프레임 카메라의 근본 한계를 이벤트 카메라로 우회. 단순히 더 좋은 카메라가 아니라, 문제의 물리에 맞는 센서를 고른 통찰.
• 저비용·강건한 보정: 금속 구 하나로 전체 파라미터를 보정하고도 다양한 형상에 일반화. 산업 현장 친화적.
• BMA의 우아함: 추가 하드웨어 없이 같은 이벤트 스트림에서 시점만 달리해 정확도와 균일성을 함께 끌어올림. 고속일수록 이득이 커지는 점이 본 시스템의 목적(고속)과 잘 맞물림.
• 현실적 검증: 합성 형상뿐 아니라 리벳·나사산·직물 등 실제 산업 부품으로 확장 시연.

약점·한계

• 매끈한 표면에 약함: EMVS는 에지·날카로운 특징에 의존하므로 매끈한 곡면(구의 윗부분, 반원통 캡)은 희소·불완전하게 복원됨. 저자들은 “산업 결함은 본래 날카로운 에지로 정의된다”며 변호하지만, 분포형(distributed)·완만한 결함은 놓칠 위험이 남습니다.
• 실시간이 아님: EMVS 복원이 약 377 ms/프레임으로, 20 ms 취득 창을 한참 초과. 현재는 CPU 오프라인 처리이며 실시간 운용에는 GPU 가속이 필요한데 아직 구현·벤치마크되지 않음. (점자 파이프라인은 약 19 ms로 훨씬 가벼움.)
• 해상도 제약: DVXplorer mini의 640×480 VGA 해상도가 공간 분해능을 제한. 고해상도 이벤트 카메라가 나오면 비례해 개선될 여지.
• 가림(occlusion)·연질 한계: Shore A 18 엘라스토머가 깊은 요철(육각형 리세스)에 완전히 들어가지 못해 오차 증가.
• 내구성 미검증: 엘라스토머의 장기 마모, 노화, 온도 영향이 정량화되지 않음. 산업 장기 운용 관점에서 중요한 공백.
• 준-조밀 출력: 접촉 패치의 일부만 측정되어 결함을 놓칠 수 있음. 광도 입체/구조광 같은 조밀 복원과의 결합은 미래 과제로 남김.

관련 연구와의 위치

flowchart TD
    VBTS[Vision-Based Tactile Sensors] --> PL[Press-and-lift: GelSight-style]
    VBTS --> CONT[Continuous]
    CONT --> SLIDE[Sliding: DIGIT-style]
    CONT --> ROLL[Roller / Belt]
    ROLL --> GB[GelBelt: accurate, slow 45 mm/s]
    ROLL --> TR[TouchRoller: 2D only, 11 mm/s]
    ROLL --> THIS[This work: event camera + BMA, 3D, 500 mm/s]
    SLIDE --> WEAR[friction and wear]
    PL --> SLOW[slow, discrete coverage]

• GelSight 계열 대비: press-and-lift 제거, 모션 블러 제약 해소, 조명 변화에 강건.
• 슬라이딩(DIGIT) 대비: 마찰·마모 없음, 보호막 광학 산란 없음.
• GelBelt 대비: 약 11배 빠름, 좁은 설계로 곡면 접근 유리(단 절대 정확도는 GelBelt가 우수).
• TouchRoller 대비: 2D 텍스처만 가능한 것과 달리 3D 복원 가능, 약 45배 빠름.

한마디로 이 연구는 “롤러 VBTS” 가지의 속도 축을 한 차원 밀어 올리면서 3D 복원 능력까지 갖춘 새로운 좌표를 차지합니다.

요약 및 결론

이 논문의 핵심은 “프레임 카메라의 모션 블러라는 속도의 벽을, 이벤트 카메라라는 다른 센싱 패러다임으로 돌파한다” 는 한 문장으로 압축됩니다. 여기에 같은 이벤트 스트림에서 서로 다른 세 시점의 깊이 맵을 가중 평균하는 BMA 융합을 더해, 고속에서도 정확도와 균일성을 함께 확보했습니다. 그 결과 0.5 m/s 연속 스캔에서 sub-100µm(평균 약 62 µm) 3D 복원, 그리고 0.5 m/s 점자 100% 판독이라는, 기존 롤러/벨트 센서를 한 자릿수 이상 앞서는 속도를 달성했습니다.

논문 PDF — p.3

로봇공학 실무자 관점에서 인상적인 점은, 이 시스템이 센서·기구·알고리즘이 한 방향(고속·대면적 산업 검사)으로 잘 정렬되어 있다는 것입니다. 이벤트 카메라의 µs 시간 해상도, 마모 없는 롤링 기구, 운동 시차 기반 EMVS, 고속일수록 이득이 커지는 BMA가 모두 같은 목표를 향합니다.

다만 실용화까지는 두 개의 현실적 과제가 남습니다. (1) GPU 기반 실시간 처리(현재 377 ms/프레임), (2) 엘라스토머 내구성과 매끈한 면 복원입니다. 저자들도 힘·접촉각 센싱(닫힌 루프 제어로 곡면에서 일정 접촉 유지), 이벤트 기반 구조광/광도 입체를 통한 조밀 복원, 곡면 일반화 등을 후속 과제로 명시합니다.

종합하면, 이 연구는 뉴로모픽 비전과 촉각 센싱의 결합이 단순한 기술 시연을 넘어 산업 검사라는 구체적 병목을 실제로 푸는 방향을 설득력 있게 보여 줍니다. 항공기 동체처럼 넓고 정밀한 검사가 필요한 분야에서, “만지는 검사”가 “굴리는 검사”로, 그리고 “느린 검사”가 “빠른 검사”로 전환되는 흐름의 좋은 이정표라 할 수 있습니다.