📃In-Hand Physics Priors 리뷰

Robust In-Hand Manipulation via Priors in Reinforcement Learning and Mechanical Design

• Paper Link (arXiv:2607.12105v1)

• Overview Video (youtu.be/pdd1wHxQnJM)

• Code: 공개된 저장소 없음 (2026-07 기준)

• 저자: Yifei Chen*, Shihan Lu*, Ed Colgate, Kevin Lynch (*equal contribution)

• Center for Robotics and Biosystems, Northwestern University · arXiv preprint (cs.RO), 2026

1. 💡 손 안에서 물체를 계속 굴려 돌리는(in-hand rolling) 문제를 “일반적인 정책 학습”으로 두지 말고, 고전 grasp 해석에서 온 전역 physics prior(grasp-quality)와 접촉 기하에서 온 국소 physics prior(fingertip 곡률)를 각각 보상과 하드웨어에 심어 넣자는 제안.
2. ⚙️ grasp map \mathbf{G}의 Gramian \mathbf{M}=\mathbf{G}\mathbf{G}^\top의 최소 고윳값 \lambda_{\min}(\mathbf{M})을 dense reward shaping 항으로 쓰고(접촉 위치만 있으면 계산 가능 → 배포 시 힘 센서 불필요), Montana 접촉 운동학이 예측하는 이방성(anisotropic) 곡률을 실리콘 fingertip 형상(cylinder-aligned, R=40\,\mathrm{mm})으로 구현해 과제축 rolling은 살리고 off-axis drift는 물리적으로 죽인다.
3. 🎯 proprioception만 쓰는 정책으로 Allegro V4 실기에서 palm tilt 0°/45°/90°/180° · 물체 3종 평균 성공률이 24% → 83%(TTT 16.6 → 31.1 s), 시뮬에서는 18.2% → 71.0%로 올랐고, 정책을 고정하고 fingertip만 갈아 끼운 통제 실험에서도 aligned tip이 2.57턴/SR 99% vs 나머지 1.3~1.6턴/SR 40~48%를 기록했다.

---

🔍 Ping Review

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

손 안에서 물체를 계속 돌리는(in-hand rotation) 문제는 강화학습으로 꽤 많이 풀려 왔다. 그런데 기존 파이프라인의 상당수는 “물체를 원하는 축으로 돌려라”라는 과제 보상과 대규모 도메인 랜덤화만 주고, 좋은 grasp을 유지하는 일은 정책이 알아서 배우기를 기대한다. 저자들의 문제 제기는 여기다 — 손가락 gaiting 도중 접촉 배치가 퇴화(degenerate)하면 특정 렌치 방향에 대한 저항력이 붕괴하는데, 그 사실은 고전 grasp 해석이 이미 알고 있는 물리이고, 굳이 정책이 처음부터 재발견할 필요가 없다는 것이다.

이 논문은 두 개의 physics prior를 서로 다른 층에 심는다. 전역(global) prior는 grasp map으로부터 얻은 grasp-quality \lambda_{\min}(\mathbf{G}\mathbf{G}^\top)로, 학습의 dense shaping 보상이 된다. 국소(local) prior는 fingertip과 물체의 상대 곡률이 결정하는 rolling mobility로, 학습이 아니라 손끝 모양(하드웨어)으로 구현된다. 즉 하나는 소프트웨어 inductive bias, 하나는 기계적 inductive bias다. 게다가 배포 시 정책은 proprioception만 본다 — 촉각도, 비전도, 물체 상태 추정도 쓰지 않고, 심지어 팔이 손바닥을 어느 방향으로 돌려놨는지조차 관측하지 않는다.

개요(Fig. 1). (a) 과제 설정 — 손 프레임 \mathcal{F}_h에 고정된 축 \hat{\mathbf{a}} 둘레로 물체를 계속 회전. (b) 두 physics prior — 위쪽은 접촉 분포를 다루는 grasp-quality prior, 아래쪽은 fingertip–물체 상대 곡률을 다루는 contact-geometry prior.

핵심 방법론:

K개의 손가락–물체 접촉이 물체 질량중심 기준 위치 \mathbf{r}_i에서 힘 \mathbf{f}_i를 낸다고 하면, 물체에 걸리는 6-D 렌치는 grasp map \mathbf{G}로 쓰인다.

\mathbf{w}=\begin{bmatrix}\mathbf{f}_{\mathrm{obj}}\\ \boldsymbol{\tau}_{\mathrm{obj}}\end{bmatrix} =\sum_{i=1}^{K}\begin{bmatrix}\mathbf{I}_3\\ [\mathbf{r}_i]_\times\end{bmatrix}\mathbf{f}_i=\mathbf{G}\mathbf{f}, \qquad \mathbf{G}\in\mathbb{R}^{6\times 3K}.

단위 접촉력 가정 하에 \mathbf{G}는 접촉력 공간의 단위구를 렌치 공간의 타원체로 보내고, 그 타원체의 주축은 Gramian \mathbf{M}=\mathbf{G}\mathbf{G}^\top\in\mathbb{R}^{6\times6}의 고유구조로 결정된다. 여기서 grasp-quality 지표는 가장 약한 방향의 렌치 생성 능력이다.

q_{\mathrm{grasp}}=\lambda_{\min}(\mathbf{M}).

이것을 손 프레임에서 매 스텝 계산해 dense shaping 항으로 넣는다 (\psi는 유계 단조 함수, EMA 기반 적응 스케일링 + 클립).

r_{\mathrm{gq}}(t)=\beta_{\mathrm{gq}}\,\psi\bigl(\lambda_{\min}(\mathbf{M}_h(t))\bigr).

국소 prior는 Montana 접촉 운동학에서 나온다. 주곡률 방향이 정렬되어 있고 순수 rolling이라고 가정하면 fingertip 접촉점 속도는

\dot{\mathbf{u}}_f=(K_o+K_f)^{-1}\begin{bmatrix}-\omega_y\\ \omega_x\end{bmatrix}

로, 상대 곡률 K=K_o+K_f가 rolling mobility를 지배한다. 원기둥 물체는 K_o=\mathrm{diag}(\kappa_o,0)이므로, fingertip을 K_f^{\mathrm{aligned}}=\mathrm{diag}(\kappa_f,0) (과제축 X_c 방향으로만 곡률)로 만들면 과제 방향 mobility는 크게, off-axis(Y_c) mobility는 0이 된다. 이 이방성을 실리콘 캐스팅 fingertip으로 실제 제작해 Allegro Hand에 끼운다.

주요 결과: (실기 Table 1·2, 시뮬 Fig. 11)

• 기본 fingertip에서 GQ 보상 추가: 평균 SR 24% → 56%, TTT 16.6 → 22.7 s, Rot 0.78 → 1.25턴
• aligned fingertip에서 GQ 보상 추가: SR 64% → 83%, TTT 26.1 → 31.1 s, Rot 1.06 → 1.27턴 (특히 90° tilt에서 48% → 81%)
• 두 prior를 모두 켠 조합이 전 지표 최고 — vanilla/default 대비 SR 24% → 83%
• 시뮬(200 에피소드/조건, bootstrap 95% CI): SR 18.2%(baseline) → 40.8%(GQ만) / 38.8%(aligned만) → 71.0%(둘 다), 최대 누적 회전 3.95 → 7.33 rad
• fingertip 4종 비교(GQ 보상 고정): aligned 평균 SR 83% > spherical 53% > flat 49% > orthogonal 43%
• 기본 fingertip으로 학습한 정책을 그대로 두고 손끝만 교체(180° tilt): aligned 2.57턴·SR 99% vs flat 1.62턴·48%, spherical 1.34턴·44%, orth 1.30턴·40%

결론:

“물리를 보상에 넣는다”와 “물리를 형상에 넣는다”를 한 시스템에서 같이 밀어붙인 점이 이 논문의 색깔이다. 특히 정책을 고정한 채 손끝만 갈아 끼워도 성능이 갈린다는 결과는, 하드웨어 prior가 단순히 “정책이 그 손끝에 맞춰 공진화한 결과”가 아니라 독립적으로 작동하는 물리적 제약임을 보여준다. 대신 두 prior 모두 원기둥형 물체와 손 프레임에 고정된 단일 회전축이라는 좁은 설정에 맞춰져 있고, 외부 교란에 대한 정량 평가와 sim-to-real 기여도 분해는 저자들 스스로 남겨둔 숙제다.

---

🔔 Ring Review

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

한 줄로 시작하면

이 논문은 in-hand rotation을 “정책이 알아서 배우는 문제”에서 “물리가 이미 말해 주는 두 가지를 미리 심어 주고, 나머지만 배우게 하는 문제”로 재정의한다. 심는 위치가 서로 다른 게 핵심이다 — 접촉 배치에 관한 전역 물리는 보상 함수에, 접촉 기하에 관한 국소 물리는 손끝 모양에 들어간다. 보상은 정책이 무엇을 선호할지를 바꾸고, 형상은 애초에 무엇이 가능한지를 바꾼다. 그리고 그 대가로, 촉각·비전 없이 관절 각도 이력만 보는 정책이 손바닥을 아래로 뒤집은 상태에서도 물체를 계속 돌린다.

배경: 왜 in-hand rotation이 어려운가

과제는 손 프레임 \mathcal{F}_h에 고정된 축 \hat{\mathbf{a}} 둘레로 물체를 연속 회전시키는 것이다. 축을 손 프레임에 정의하는 선택은 사소해 보이지만 중요하다 — 팔이 손바닥을 어떻게 돌리든 “손 기준 회전 목표”는 그대로이고, 바뀌는 것은 손 기준 중력 방향뿐이다. 즉 palm orientation이 그대로 교란(disturbance) 파라미터가 된다.

기존 연구의 어려움은 세 갈래로 나뉜다.

• 해석적(analytical) 접근은 접촉 역학·기구학·궤적 최적화로 물리적으로 타당한 손가락 운동을 만들지만, 정확한 시스템 동정과 접촉 모델링에 의존해 실세계 불확실성에 취약하고 고자유도 손으로 확장하기 어렵다.
• 학습 기반 접근은 상호작용으로 gaiting을 익히지만, 접촉 전이(contact transition)를 다루기 어렵고 방대한 학습을 요구한다. 무엇보다 저자들의 지적대로 “지속 조작을 위한 well-conditioned grasp 유지”를 명시적으로 우선시하지 않는다.
• 기계 설계(mechanical design) 접근은 컴플라이언스·언더액추에이션·소재·형태로 불확실성을 수동적으로 흡수하지만, 대부분 사전 정의된 gaiting이나 단순 제어기와 함께 평가되어 현대 학습 정책과 체계적으로 결합된 사례가 드물다.

여기에 센싱 문제가 겹친다. 촉각 센서가 늘고 있지만 시간 대역폭·샘플링 레이트 한계 탓에 급격한 교란에 대한 빠른 행동 조정이 어렵다는 점을 저자들은 짚는다(Tactile Genesis 리뷰가 다룬 “정책은 어떤 촉각 추상을 필요로 하는가”라는 질문과 정반대 방향의 선택이다 — 이 논문은 촉각을 아예 빼고 형상으로 대체한다). 또한 선행 연구 대부분이 손바닥이 위를 향한 단순 자세에서 평가되어, 임의 손 자세·중력 조건에 대한 강건성은 상대적으로 덜 탐구됐다.

방법 1: 전역 grasp-quality prior

grasp map에서 지표로

접촉 i의 위치 \mathbf{r}_i\in\mathbb{R}^3(물체 질량중심 기준)와 힘 \mathbf{f}_i\in\mathbb{R}^3에 대해, 전체 접촉이 만드는 물체 렌치는

\mathbf{w}=\sum_{i=1}^{K}\begin{bmatrix}\mathbf{I}_3\\ [\mathbf{r}_i]_\times\end{bmatrix}\mathbf{f}_i=\mathbf{G}\mathbf{f}, \qquad \mathbf{G}=\begin{bmatrix}\mathbf{I}_3&\cdots&\mathbf{I}_3\\ [\mathbf{r}_1]_\times&\cdots&[\mathbf{r}_K]_\times\end{bmatrix}\in\mathbb{R}^{6\times3K}

이고, [\mathbf{r}_i]_\times\mathbf{f}_i=\mathbf{r}_i\times\mathbf{f}_i인 skew-symmetric 행렬이다. \mathbf{G}는 접촉력 공간의 단위구를 렌치 공간의 타원체로 사상하며, 그 타원체는 Gramian

\mathbf{M}=\mathbf{G}\mathbf{G}^\top\in\mathbb{R}^{6\times6}

의 고윳값·고유벡터로 규정된다. 지표는 그 중 최악의 축이다.

q_{\mathrm{grasp}}=\lambda_{\min}(\mathbf{M}).

저자들은 이것이 force closure 해석처럼 마찰콘·접촉 법선·가능 렌치콘을 고려하지는 않지만, “\lambda_{\min}이 작은 접촉 배치는 특정 렌치 방향의 교란에 취약하다”는 동일한 직관을 잡아내는 대리 지표(proxy)라고 명시한다. 부록 B.1은 \lambda_{\min}(\mathbf{M})의 제곱근을 반지름으로 하는 내접구를 “grasp이 어느 모멘트 방향으로든 등방적으로 버틸 수 있는 최대 렌치 크기”로 해석하며, 이를 Ferrari–Canny의 내접구(enclosed-ball) 지표의 이차형식 유사물로 자리매김한다.

전역 grasp quality의 시각화(Fig. 2). 원기둥(R=40\,\mathrm{mm}, H=80\,\mathrm{mm})에 대한 Allegro Hand 세 배치. 윗줄은 3-D 모멘트 부분공간 (\tau_x,\tau_y,\tau_z)의 렌치 타원체와 접촉 배치, 아랫줄은 \mathbf{M}의 전체 고윳값 스펙트럼(왼쪽 3개 = force block, 오른쪽 3개 = moment block). (a) 엄지가 떨어진 3접촉 \lambda_{\min}=5.80\times10^{-4} → (b) 좁게 몰린 4접촉 1.68\times10^{-3} → (c) ~90°씩 벌어진 4접촉 3.07\times10^{-3} 으로 총 5.3배 증가.

Fig. 2가 이 지표의 성격을 그대로 드러낸다. 세 배치 사이 5.3배 변화 중 가장 큰 낙차는 4접촉 → 3접촉 전이(엄지 이탈)에서 나오고, 4접촉 안에서의 기하 재배치가 만드는 변화는 그보다 작다. 또 스펙트럼이 force block과 moment block으로 갈리는데, 접촉 기하 정보를 담는 쪽은 moment block이고 \lambda_{\min}은 거기서 나온다.

보상으로 넣기

학습 중에는 매 스텝 네 fingertip의 접촉 위치를 물체 중심 기준으로 모아 손 프레임에서 \mathbf{G}_h(t)를 만들고 \mathbf{M}_h(t)=\mathbf{G}_h(t)\mathbf{G}_h(t)^\top를 계산한다. shaping 항은

r_{\mathrm{gq}}(t)=\beta_{\mathrm{gq}}\,\psi\bigl(\lambda_{\min}(\mathbf{M}_h(t))\bigr),

\psi(\lambda)=\mathrm{clip}\Bigl(s_t\,(\lambda-\epsilon),\,-r_{\max},\,r_{\max}\Bigr), \qquad s_t=\mathrm{clip}\!\left(\frac{m^\star}{10^{-6}+\bar m_t},\,0.1,\,20\right),

\bar m_t=\beta_{\mathrm{EMA}}\bar m_{t-1}+(1-\beta_{\mathrm{EMA}})\bigl|\lambda_{\min}(\mathbf{M}_h(t))-\epsilon\bigr|

(\epsilon=10^{-4}, r_{\max}=0.5, m^\star=0.1, \beta_{\mathrm{EMA}}=0.97). \epsilon은 “최소한 이 정도는 조건이 좋아야 한다”는 마진이고, r_{\max}는 회전 진행을 희생하면서까지 grasp quality를 과최적화하지 않도록 상한을 건다. s_t는 최근 값들의 EMA로 항의 크기를 과제 보상과 비슷한 스케일에 맞춰 준다.

설계상 두 가지 실용적 장점이 따라온다. 첫째, \mathbf{G}_h가 손 프레임에서 표현되므로 r_{\mathrm{gq}}는 전역 palm pose에 불변이다. 둘째, 접촉 위치에만 의존하므로 배포 시 힘 센싱이 전혀 필요 없다(시뮬레이터에서만 계산되는 학습 신호다).

전체 보상은 세 항의 합이다.

r(t)=r_{\mathrm{task}}(t)+r_{\mathrm{gq}}(t)+r_{\mathrm{reg}}(t).

과제 항은 목표축 성분만 보상하고 off-axis 회전을 벌한다.

r_{\mathrm{task}}(t)=\alpha_\parallel\bigl[\max(0,\boldsymbol{\omega}_\parallel^\top\hat{\mathbf{n}}_{\mathrm{target}})\bigr]^2-\alpha_\perp\lVert\boldsymbol{\omega}_\perp\rVert^2,

정규화 항은 물체 병진 속도, 캐시된 초기 손 자세로부터의 이탈, 관절 토크, 순간 기계적 일 W(t)를 벌한다.

r_{\mathrm{reg}}(t)=-\lambda_{\mathrm{vel}}\lVert\mathbf{v}_{\mathrm{obj}}\rVert^2-\lambda_{\mathrm{pose}}\lVert\mathbf{q}_{\mathrm{hand}}-\mathbf{q}_{\mathrm{hand}}^{\mathrm{cache}}\rVert^2-\lambda_\tau\lVert\boldsymbol{\tau}\rVert^2-\lambda_W W(t).

저자들은 이 셋 중 r_{\mathrm{gq}}만이 §2 의미의 physics-derived 항이라고 못 박는다.

방법 2: 국소 contact-geometry prior

상대 곡률이 rolling mobility를 정한다

각 fingertip–물체 접촉에 국소 프레임 \mathcal{F}_c=\{X_c,Y_c,Z_c\}를 둔다. Z_c는 물체 안쪽 법선, X_c는 접평면에서 과제 정렬 rolling 방향, Y_c는 오른손 좌표계를 완성하는 off-axis 교란 방향이다. 강체 점접촉·순수 rolling·주곡률 방향 정렬·항등 계량 텐서를 가정하면 Montana 공식은

\dot{\mathbf{u}}_f=(K_o+K_f)^{-1}\begin{bmatrix}-\omega_y\\ \omega_x\end{bmatrix}=K^{-1}\begin{bmatrix}-\omega_y\\ \omega_x\end{bmatrix}

로 축약된다. 여기서 K_o, K_f는 물체·fingertip의 국소 곡률 행렬, K=K_o+K_f는 상대 곡률이다.

rolling mobility의 스펙트럼(Fig. 3). 왼쪽으로 갈수록 상대 곡률이 커서 rolling mobility가 높고(제어는 예민해짐), 오른쪽 끝 평면–평면은 mobility가 0이어서 국소 rolling 자체가 불가능하다.

Fig. 3이 전달하는 트레이드오프가 이 prior의 출발점이다 — mobility가 높으면 rolling은 쉽지만 정밀 제어가 어렵고, 0이면 rolling으로는 아예 상대 회전을 만들 수 없어 손끝의 능동 회전에 의존해야 한다.

네 가지 형상

원기둥 물체를 K_o=\mathrm{diag}(\kappa_o,0)(X_c 방향만 양의 곡률)로 두고, 공칭 곡률 \kappa_f=1/R인 네 형상을 비교한다.

K_f^{\mathrm{flat}}=\begin{bmatrix}0&0\\0&0\end{bmatrix},\; K_f^{\mathrm{sphere}}=\begin{bmatrix}\kappa_f&0\\0&\kappa_f\end{bmatrix},\; K_f^{\mathrm{aligned}}=\begin{bmatrix}\kappa_f&0\\0&0\end{bmatrix},\; K_f^{\mathrm{ortho}}=\begin{bmatrix}0&0\\0&\kappa_f\end{bmatrix}.

Fingertip	X_c 상대 곡률	Y_c 상대 곡률	X_c mobility	Y_c mobility
Flat	\kappa_o	0	moderate	zero
Spherical	\kappa_o+\kappa_f	\kappa_f	high	nonzero
Aligned	\kappa_o+\kappa_f	0	high	zero
Orthogonal	\kappa_o	\kappa_f	moderate	nonzero

(Table 4) 물체가 X_c로 굽어 있으므로 네 형상 모두 과제 방향 rolling은 가능하다. 차이는 오직 off-axis에서 난다 — Y_c 상대 곡률이 0이 되는 것은 두 표면이 모두 Y_c로 평평한 flat과 aligned뿐이고, 이 둘만 off-axis rolling을 수동적으로 억제한다. spherical·orthogonal은 Y_c 곡률을 도입해 off-axis rolling을 허용한다.

(왼쪽, Fig. 6) fingertip–물체 접촉 기하 — 회색이 fingertip 곡률, 파란색이 물체 곡률. (오른쪽, Fig. 4) 실제 설계된 네 형상. 빨강 x_c / 파랑 y_c 방향 곡률이 R=\infty(직선) 또는 R=40\,\mathrm{mm}(곡선)로 표시된다.

그렇다면 off-axis를 똑같이 죽이는 flat과 aligned는 무엇이 다른가? 부록 B.2가 이를 접촉점 이동량으로 구분한다. 순수 rolling에서 과제축 회전각 \theta가 fingertip 표면에서 훑는 호 길이는

s_f=\frac{\theta}{\kappa_o+\kappa_f} \quad\Longrightarrow\quad s_f^{\mathrm{aligned}}=\frac{\theta}{\kappa_o+\kappa_f}<s_f^{\mathrm{flat}}=\frac{\theta}{\kappa_o}\quad(\kappa_f>0).

즉 같은 회전량에 대해 aligned tip 위에서는 접촉점이 덜 이동해 사용 가능한 접촉 영역 안에 더 오래 머문다. 저자들의 표현대로 X_c 곡률이 큰 이유는 “더 빨리 굴리기 위해서가 아니라 접촉을 더 국소적이고 통제 가능하게 유지하기 위해서”다. 여기에 더해, 실제 컴플라이언트 시스템에서 평평한 손끝은 원기둥에 눌리며 넓고 불명확한 접촉면을 만들어 drift하기 쉬운 반면 곡면 손끝은 국소적이고 잘 정의된 접촉을 만든다는 논증을 덧붙인다(강체 모델은 이 효과를 잡지 못한다).

저자들 스스로 이 분석을 정리 대신 “기하학적 가설(geometric hypothesis)”로 부르고 실험으로 검증하겠다고 선언하는데, 이 정직함이 논문의 톤을 잘 보여준다.

제작

네 형상은 전체 외곽 envelope·손끝 길이·Allegro 말단 관절 마운팅 인터페이스를 모두 동일하게 맞추고 국소 표면 곡률만 달리했다. 곡면형은 R=40\,\mathrm{mm}(\kappa=25\,\mathrm{m^{-1}}). 3D 프린팅(PLA) 재사용 몰드로 단일 실리콘 캐스팅하되 바깥 캐비티 반쪽만 교체해 형상을 바꾼다. 재료는 Smooth-On Dragon Skin 30(Shore 30A, 백금 경화 2액형), 1:1 질량비 혼합·약 5분 진공 탈포·상온 약 16시간 경화, 경화 후 황동 heat-set 인서트로 마운팅. 재료 선택 이유도 물리적이다 — 너무 물렁하면 접촉면이 넓어져 §2.3의 점접촉 가정이 깨지고, 너무 단단하면 컨포미티와 마찰이 떨어진다.

제작된 fingertip 4종(Fig. 9). 왼쪽부터 aligned cylindrical, orthogonal cylindrical, flat, spherical.

학습 파이프라인

MDP로 정식화하면 행동은 Allegro Hand의 16-D 목표 관절 위치이고 저수준 PD 제어기가 추종한다. 정책은 20 Hz(제어 decimation 6), 에피소드는 T=400 스텝(≈20 s).

학습은 Kumar et al.의 RMA(Rapid Motor Adaptation)를 Qi et al.이 손재주 조작에 이식한 2단계 틀을 따른다.

• Stage I (teacher): 관측은 정규화된 16개 관절 위치 + 16개 관절 목표의 단일 프레임과, 특권 인코더가 만든 8-D latent. 특권 정보는 물체 pose·scale·질량·마찰계수·질량중심 오프셋. 정책과 특권 인코더를 PPO로 함께 학습.
• Stage II (student): 특권 latent을 적응 모듈의 추정치로 대체. 최근 30 프레임의 proprioceptive 히스토리에 1D convolution + MLP(TCN)를 적용해 얼어붙은 특권 latent에 지도 회귀시키고, actor·critic은 Stage I에서 초기화해 추정 latent로 PPO 미세조정.
• 배포: proprioception 히스토리만으로 실기에 zero-shot 전이. 특권 물체 파라미터·촉각·비전·물체 상태 측정 없음.

2단계 RMA 학습 파이프라인(Fig. 7). 점선 블록이 각 단계의 학습 대상, 회색 블록은 시뮬레이션 관련 정보·전략. Stage I은 특권 인코더 \mathbf{z}_t + 관측 \mathbf{o}_t로 보상 r_t(grasp-quality shaping 포함) 하에 PPO 학습, Stage II는 적응 모듈이 \hat{\mathbf{z}}_t를 회귀(\lVert\mathbf{z}_t-\hat{\mathbf{z}}_t\rVert_2^2)하고 제어 정책을 복사해 미세조정.

두 가지 보조 장치가 학습을 지탱한다.

초기 grasp 캐시. 학습이 “잡기”가 아니라 “돌리기”에 집중하도록, 정준 손 자세를 섭동해 물체를 쥔 후보들을 미리 만들어 둔다. 필터는 fingertip 근접 0.1\,\mathrm{m} 이내, 최소 3개 fingertip 접촉, 유효한 물체 높이, fingertip–손바닥 자기충돌 없음. 여기에 손–물체 배치를 palm 축 기준 90°씩 회전시켜 모든 방향에서 안정한 것만 남긴다. 각 캐시 상태는 \xi=[\mathbf{q}_h,\mathbf{p}_o,\mathbf{q}_o]\in\mathbb{R}^{23}이고 물체 스케일당 약 50,000개를 생성한다.

손 자세 커리큘럼. 리셋 분포를 4단계로 확장한다 — 단계 k\in\{0,1,2,3\}에서 최대 섭동 \theta_{\max}^{(k)}\in\{0°,45°,90°,180°\}. 리셋마다 축 \hat{\mathbf{u}}\sim\mathcal{U}(\mathbb{S}^2), 각 \theta\sim\mathcal{U}[-\theta_{\max}^{(k)},\theta_{\max}^{(k)}]를 뽑아 손–물체 계 전체를 회전시킨다. 단계 승급은 (한 바퀴 완전 회전 성공률의 EMA)가 목표치를 넘거나 스텝 상한에 걸릴 때. 두 RMA 단계 모두에서 사용한다.

시뮬레이션은 IsaacGym Preview 4, 8,193개 병렬 환경, 단일 RTX 3090, 시뮬 120 Hz, 총 1.5\times10^9 env step. 도메인 랜덤화는 물체 스케일 \{0.7,\dots,0.8\}\pm\mathcal{U}[0.025], 질량 \mathcal{U}[0.01,0.25]\,\mathrm{kg}, 마찰 \mathcal{U}[0.3,3.0], CoM 오프셋 \mathcal{U}[-0.01,0.01]\,\mathrm{m}, PD 게인 P\sim\mathcal{U}[2.9,3.1]·D\sim\mathcal{U}[0.09,0.11], 그리고 0.05 s마다 감쇠 0.9의 외력(Table 5). 종료 조건은 물체 낙하, 리셋 위치로부터의 월드 프레임 변위 초과(\rho_{\mathrm{pos}}), 에피소드 길이 상한 — 변위 한계는 “제자리에서 구르는 진짜 rolling”과 “밀려 나가는 것”을 구분하는 느슨한 작업공간 제약이다.

직관: 왜 두 층으로 나누는가

보상은 정책의 선호를 바꾸고, 형상은 가능한 것 자체를 바꾼다. 이 구분이 이 논문의 설계 철학이다.

r_{\mathrm{gq}}는 “네 손가락을 물체 둘레에 고르게 벌려 놓아라”는 전역 조언이다. 그런데 이 조언은 gaiting 도중 어떤 손가락이 반드시 떨어져야 하는 순간에는 지킬 수 없고, 정책이 얼마나 잘 따르느냐는 확률적이다. 반면 fingertip 곡률은 정책이 무엇을 원하든 Y_c 방향 rolling을 물리적으로 0으로 만든다. 스케이트 날이 앞뒤로는 미끄러지되 옆으로는 버티는 것과 같다 — 제어기가 매 순간 옆미끄러짐을 감지하고 반응할 필요가 없다. 저자들이 촉각을 쓰지 않기로 한 선택이 여기서 정합적이 된다. 촉각 센서의 낮은 대역폭으로는 급격한 slip에 반응하기 어려우니, 반응하는 대신 애초에 그 자유도를 없앤다.

그리고 Fig. 3의 트레이드오프가 왜 “정렬된 원통”이 정답인지 설명한다. 구형 손끝은 두 방향 모두 mobility가 있어 잘 구르지만 방향 선호가 없고(굴리기는 쉬우나 제어가 어렵다), 직교 원통은 정확히 반대로 잘못된 축에 mobility를 준다. 평면 손끝은 off-axis를 막지만 상대 곡률이 작아 접촉점이 손끝 위를 멀리 이동해 사용 가능 영역을 빨리 벗어난다(s_f=\theta/\kappa_o). aligned tip만이 “과제 방향으로는 높은 mobility + 국소화된 접촉, off-axis로는 0”이라는 조합을 만든다.

실험: 셋업과 프로토콜

하드웨어는 Allegro V4 4지 손(16 능동 DoF) + Franka Research 3 팔. 팔은 롤아웃 전에 palm 방향을 세팅한 뒤 고정되며, 정책은 이 방향 정보를 받지 않는다. RealSense D435가 물체의 AprilTag를 기록하지만 사후 처리(post-hoc) 자세 측정용일 뿐 정책으로 들어가는 외수용 피드백은 없다. 시뮬에서는 팔을 모델링하지 않고 같은 Allegro Hand만 쓴다.

실험 셋업(Fig. 5). 네 손 방향(0°/45°/90°/180°)과 세 물체(cylinder/cuboid/ball). AprilTag는 사후 자세 측정용.

물체 3종: 빈 알루미늄 캔(지름 56 mm, 높이 130 mm, 17 g), PLA 3D 프린팅 직육면체(60×60×120 mm, 47 g), 폼러버 공(지름 50 mm, 18 g). 마찰을 높이려 캔과 직육면체는 종이로 감쌌다. 정책은 랜덤화된 원기둥으로만 학습되고, 직육면체·공은 학습 분포 밖 일반화 시험이다.

지표(AnyRotate를 따름): Rot = 과제축 둘레 평균 누적 회전(turns), TTT = 평균 에피소드 지속 시간(35 s 상한), SR = 게이트 성공률 — (i) 조기 낙하·셋업 실패 없이 10초 이상 파지 유지 그리고 (ii) 0.15턴 이상 회전. 안 돌리고 들고만 있는 것은 성공이 아니다. 각 조건은 3개 시드로 학습하고 시드별 최고 정책을 3회 롤아웃 평가한다.

실험 1: 전역 grasp-quality prior의 효과

기본 Allegro fingertip과 aligned cylindrical fingertip 두 하드웨어 위에서 GQ 보상 유무를 비교한다(Table 1, 물체 3종 × palm tilt 4종 평균).

조건	Rot	TTT (s)	SR
A: vanilla / default tip	0.78	16.6	24%
B: +GQ / default tip	1.25	22.7	56%
C: vanilla / aligned tip	1.06	26.1	64%
D: +GQ / aligned tip	1.27	31.1	83%

• 기본 손끝: 24% → 56% (SR), 16.6 → 22.7 s, 0.78 → 1.25턴. 개선은 특히 0°·45° tilt에서 두드러진다.
• aligned 손끝: 64% → 83%, 26.1 → 31.1 s. 이쪽은 반대로 큰 tilt(90°·180°)에서 이득이 가장 크다(90°: 48% → 81%).
• 둘 다 켠 D가 전 항목 최고. vanilla/default 대비 SR 3.5배, TTT는 상한 35 s의 89%에 해당하는 31.1 s.

부록의 감사 표(Table 7)는 종료 사유까지 분해한다. 예컨대 공(ball)에서 vanilla/default는 36회 중 31회가 조기 종료(SR 14%, TTT 8.7 s)인 반면, GQ+aligned는 조기 종료 5회·타임아웃 31회(SR 81%, TTT 31.6 s)다. 즉 개선의 상당 부분은 “더 빨리 돌린다”가 아니라 “떨어뜨리지 않는다”에서 온다.

시뮬레이션에서도 같은 경향이 나타난다.

시뮬레이션 평가(Fig. 11). (왼쪽) 성공률 — 낙하·정지 없이 한 바퀴 이상 완주. (오른쪽) 최대 누적 회전(rad). 오차 막대는 조건당 200 에피소드에 대한 bootstrap 95% CI. 18.2%(baseline) → 40.8%(GQ만)/38.8%(aligned만) → 71.0%(둘 다), 최대 회전 3.95 → 7.33 rad.

두 prior의 개별 기여(각각 +22.6%p, +20.6%p)가 거의 대등하고, 합쳤을 때 71.0%로 개별 합(≈59%)을 넘어서는 상보적 결합을 보인다는 점이 흥미롭다.

실험 2: 국소 contact-geometry prior의 효과

GQ 보상으로 학습한 정책을 고정하고 네 손끝을 비교한다(Table 2, 4개 palm tilt 평균).

Fingertip	Cyl. Rot	Cyl. TTT	Cyl. SR	평균 Rot	평균 TTT	평균 SR
Aligned	2.29	31.9	86%	1.27	31.1	83%
Spherical	1.39	25.1	86%	0.91	20.6	53%
Flat	1.46	23.3	69%	0.85	20.9	49%
Orthogonal	0.78	21.6	67%	0.68	17.8	43%

• 모델링에 쓰인 원기둥에서 aligned가 가장 많이 돌리고(2.29턴) 가장 오래 버틴다(31.9 s). 구형은 거의 비슷하게 오래 버티지만 훨씬 덜 돈다(1.39턴) — 구르기는 하되 과제축으로 운동을 충분히 구속하지 못한다는 해석.
• 직교 원통이 전 지표 최악이고 평면이 그와 비슷하다.
• 세 물체 모두에서 aligned가 TTT·SR 최고. 다만 공(ball)에서는 Rot이 직교·구형보다 약간 낮다(0.83 vs 1.08 / 1.01) — 공의 기하가 학습된 rolling 운동과 덜 맞기 때문이라고 설명한다.
• 시뮬레이션은 접촉 렌더링 충실도가 제한적이어서 손끝 설계의 경향을 뚜렷이 드러내지 못했다고 저자들이 명시한다.

여기서 가장 설득력 있는 실험은 부록 F.3이다. 기본 손끝으로 학습한 단일 정책을 그대로 두고 물리적 손끝만 교체해 180° tilt에서 평가한다(zero-shot 하드웨어 스왑, 3회 시행 평균).

Fingertip	Rot ↑	Std	Best ↑	TTT ↑	TTFT ↓	SR ↑
Aligned	2.57	0.10	2.66	34.5	14.1	99%
Flat	1.62	0.46	2.05	16.8	11.0	48%
Spherical	1.34	0.13	1.45	15.2	11.1	44%
Orthogonal	1.30	0.36	1.64	14.1	10.4	40%

aligned는 35 s 상한 거의 끝까지(34.5 s) 생산적으로 돌고 분산도 가장 작다(\mathrm{Std}=0.10). 나머지 셋은 1.7턴 미만에서 정체하고 가용 시간의 40~48%만 채우고 종료된다. 정책이 그 손끝을 한 번도 본 적 없는데도 깨끗하게 전이된다는 것은, 이 이득이 정책–하드웨어 공진화가 아니라 형상 자체의 물리적 기여임을 강하게 시사한다. (다만 첫 한 바퀴까지의 시간 TTFT는 직교형이 10.4 s로 가장 짧다 — 초기 회전 속도 자체는 aligned가 최고가 아니다.)

손끝 설계별 롤아웃 타임랩스(Fig. 15). (위) 90° palm tilt·원기둥·vanilla 보상 — 중력이 과제축에 수직으로 작용하는 조건에서 직교 원통과 평면 손끝은 중간에 물체를 놓친다. (아래) 손바닥이 아래를 향한 조건·GQ 보상 — 직교형은 24~30 s 사이 급격한 slip이 발생하고, 구형·평면은 회전을 유지한 채 끝까지 물체를 잡고 있지 못한다. 주황 테두리는 slip, 빨강 테두리는 낙하.

비판적으로 보면

강점

• prior를 심는 위치를 의도적으로 나눈 설계. “보상 = 선호를 바꾼다 / 형상 = 가능성을 바꾼다”는 구분이 명료하고, 두 층이 단순 중복이 아니라는 관찰로 뒷받침된다 — 기본 손끝 위에서 GQ 보상은 0°·45° tilt에서 가장 크게 개선하는 반면, aligned 손끝 위에서 같은 보상은 90°·180° tilt에서 가장 큰 이득을 낸다(§4.2). 시뮬에서도 개별 기여(+22.6%p, +20.6%p)의 단순 합보다 결합 결과(71.0%)가 크다.
• 하드웨어 prior를 정책과 분리해 검증한 F.3 실험. 손끝 설계 논문에서 가장 흔한 반박은 “정책이 그 손끝에 맞춰 학습된 것뿐”인데, 정책을 고정하고 손끝만 스왑해 2.57턴/99% vs 1.3_1.6턴/4048%를 보인 것은 그 반박을 정면으로 차단한다. 네 형상이 envelope·길이·마운팅을 공유하고 몰드의 바깥 캐비티 반쪽만 교체해 제작됐다는 점도 통제 수준을 높인다.
• 배포 시 센싱 요구가 극단적으로 낮다. q_{\mathrm{grasp}}는 접촉 위치만 필요해 시뮬레이터 안에서만 계산되고, 실기 정책은 관절 위치·목표의 30프레임 히스토리만 본다. palm 방향조차 관측하지 않는다. “물리를 학습 신호로 쓰되 배포에는 흔적을 남기지 않는” 깔끔한 구조다.
• 평가 조건이 실제로 어렵다. 대다수 in-hand rotation 연구가 손바닥이 위를 향한 자세에서 평가되는 데 비해, 0°/45°/90°/180° 네 방향 전부에서 물체 3종을 평가한다. 특히 180°(손바닥 아래)는 중력이 grasp을 직접 뜯어내는 조건이다.
• 한계 절이 정직하다. sim-to-real 기여도를 정량화하지 못했다는 점, 외부 교란에 대한 통제 실험이 없다는 점을 저자들이 먼저 인정한다.

약점·한계

• q_{\mathrm{grasp}}가 실제로 “grasp quality”인지, 아니면 “접촉 개수 + 각도 분산”인지 분리되지 않았다. 저자들도 마찰콘·접촉 법선·가능 렌치콘을 무시한다고 밝히지만, 더 중요한 것은 Fig. 2가 보여주는 구조다 — 5.3배 변화의 가장 큰 낙차가 4접촉 → 3접촉 전이에서 나온다. 그렇다면 이 보상의 실효는 상당 부분 “네 손가락을 붙이고 있어라”일 수 있다. “접촉 개수 보상”이나 “접촉점 각도 분산 보상” 같은 훨씬 단순한 대안과의 비교가 없어서, grasp map이라는 물리적 형식이 정말 필요한지를 판정할 수 없다. 이 논문의 중심 주장(“physics prior가 도움이 된다”)에서 “physics”의 몫을 확정하려면 이 대조가 있어야 한다.
• 보상 항이 강하게 재정규화되어 물리적 스케일이 씻긴다. \lambda_{\min}은 10^{-4}\sim10^{-3} 규모(모멘트 블록이므로 대략 \mathrm{m}^2 차원)이고, 실제 보상은 EMA 적응 스케일 s_t로 정규화된 뒤 \pm r_{\max}=0.5로 클립된다. 결과적으로 정책이 보는 것은 “물리량”이라기보다 \epsilon,\ r_{\max},\ m^\star,\ \beta_{\mathrm{EMA}}로 조율된 유계 형상 신호다. 이들 하이퍼파라미터나 \beta_{\mathrm{gq}}에 대한 민감도 분석이 전혀 없다.
• 국소 prior의 강체 모델이 정작 승패를 가른 비교를 설명하지 못한다. Table 4에 따르면 flat과 aligned는 둘 다 Y_c mobility가 0이다. 그런데 실험에서는 aligned 83% vs flat 49%로 크게 갈린다. 이 격차는 강체 점접촉 모델이 아니라 (a) 접촉점 이동량 s_f 논증과 (b) “컴플라이언트 시스템에서 평면 손끝은 넓고 불명확한 접촉을 만든다”는 정성적 논증으로 사후 설명된다. 즉 실제 결과를 지배한 메커니즘은 논문이 유도한 모델 밖에 있다. 저자들이 이를 “기하학적 가설”로 부른 것은 정직하지만, 검증된 것은 “aligned가 좋다”이지 “Montana 운동학이 그 이유를 설명한다”는 아니다.
• prior가 원기둥·단일 고정축에 맞춰져 있다. K_f^{\mathrm{aligned}}의 이방성은 K_o=\mathrm{diag}(\kappa_o,0)과 손 프레임에 고정된 회전축 \hat{\mathbf{a}}를 전제한다. 회전축이 바뀌거나 물체 곡률이 등방적이면(공) 정렬 자체가 무너지고, 실제로 공에서 aligned의 Rot은 직교·구형보다 낮다. “이방성 손끝”은 근본적으로 과제 특화 하드웨어이고, 논문은 이 범용성 비용을 정면으로 논의하지 않는다.
• 외부 베이스라인과의 비교가 없다. 지표는 AnyRotate를 따르지만 그것과의 직접 비교는 없고, Hora 계열 선행 연구와의 수치 대조도 없다. 모든 비교가 내부 ablation(A/B/C/D)이다. 따라서 “24% → 83%”는 이 셋업 안에서의 상대 개선이지, 이 문제에서 현재 도달 가능한 수준에 대한 정보는 주지 않는다.
• 실기 표본이 작고 불확실성 표기가 없다. 조건당 3시드 × 3롤아웃이고, Table 1의 tilt별 셀은 물체 3종 합쳐 27회, Table 9는 3회 시행이다. 시뮬 결과에는 bootstrap 95% CI가 붙지만 실기 표(Table 1·2·7·8)에는 신뢰구간·분산이 전혀 없다. SR의 해상도가 3~11%p 단위인데 19%p 차이를 “개선”으로 읽으려면 최소한 산포가 필요하다.
• 표 사이 표기·귀속의 혼선. Table 1의 캡션은 A=vanilla/default, B=GQ/default, C=vanilla/aligned, D=GQ/aligned로 정의하는데, 부록 Table 7은 같은 라벨을 B=vanilla/aligned, C=GQ/default로 뒤바꿔 쓴다(평균값을 대조해 보면 내용은 일치하므로 라벨링 실수로 보인다). 그 여파로 §4.3 첫 문단은 “Table 1의 C·D행을 보면 aligned fingertip이 모든 tilt에서 SR을 높인다(90°에서 48%→81%)”고 쓰는데, Table 1 자체 정의로는 C→D가 GQ 보상의 효과다(§4.2가 같은 수치를 GQ의 효과로 이미 서술한다). 부록 Table 8의 SR 열도 Table 1 D행의 tilt별 SR과 일치하지 않는다(예: 45° tilt에서 94% vs 81%). 결과 자체가 흔들리는 수준은 아니지만, 어느 수치가 어느 요인의 기여인지 독자가 표를 교차 검증해야 한다.
• 부록 B.1은 \mathbf{M}의 force block 고윳값을 \lambda_{1,2,3}\approx\sqrt{n_{\text{contact}}}로 적는데, \mathbf{M}=\mathbf{G}\mathbf{G}^\top의 force 블록은 (moment 블록과의 커플링을 무시하면) K\mathbf{I}_3이므로 n_{\text{contact}} 스케일이 되는 것이 자연스럽다. Fig. 2의 로그 스펙트럼도 10^0을 조금 넘는 값을 보인다. 논지에 영향을 주는 부분은 아니나 표기 혼동으로 보인다.
• 코드·CAD·몰드 파일 미공개. 손끝 형상이 기여의 절반인 논문인데 재현에 필요한 CAD가 공개되지 않았고(부록 Fig. 10에 aligned tip 치수 도면만 제시), 정책 코드 저장소도 없다. 실리콘 캐스팅 절차가 자세히 적혀 있는 것은 다행이지만, 재현 장벽은 여전히 높다.

관련 연구와의 자리 매김

RMA 계열 위에 서 있다. 학습 골격은 Kumar et al.(2021)의 RMA와 이를 손재주 조작으로 옮긴 Qi et al.(2023, In-hand object rotation via rapid motor adaptation)을 그대로 따른다. 이 논문의 새로움은 아키텍처가 아니라 보상에 들어간 항과 손끝 하드웨어다. 뒤이은 Qi et al.(2023) General in-hand object rotation with vision and touch, Suresh et al.(2024) NeuralFeels 같은 흐름이 센싱을 더해 강건성을 얻으려 했다면, 이 논문은 정확히 반대 방향 — 센싱을 빼고 형상과 보상으로 얻으려 한다.

중력 불변 회전 문제에서는 AnyRotate(Yang et al., 2025)가 가장 가까운 좌표다. 지표 정의(Rot/TTT/SR)를 그대로 빌려 왔지만 직접 비교는 없다. AnyRotate가 풍부한 촉각으로 중력 불변성을 달성했다면, 이 논문은 proprioception + 이방성 손끝으로 같은 목표를 노린다. 두 접근의 head-to-head는 이 분야에서 꽤 의미 있는 후속 연구가 될 것이다.

grasp 렌치 공간을 보상으로 쓰는 흐름과 나란히 놓인다. CHORD 리뷰는 사람 시연에서 뽑은 contact wrench(마찰콘·support function)를 로봇이 재현하도록 하는 wrench-space 보상을 쓴다. 두 논문 모두 “렌치 공간의 고전 grasp 이론을 RL 보상으로 번역한다”는 같은 전략을 취하지만, CHORD는 사람의 렌치를 모사(matching)하고 이 논문은 최악 방향 렌치 저항력을 최대화(worst-case isotropy)한다. 전자는 시연 의존적·과제 특화적이고 후자는 시연 없이 기하만으로 계산된다.

같은 Allegro Hand·같은 in-hand reorientation을 다루되 센싱 철학이 정반대인 사례로 ViserDex 리뷰가 있다(이 논문이 참고문헌 [7]로 인용한다). ViserDex는 3D Gaussian Splatting으로 시뮬 시각 다양성을 만들어 모노큘러 RGB로 물체 자세를 추정해 재배향한다. 이 논문은 그 반대편 극단에서 “물체 상태를 아예 추정하지 않는다”를 택했다. Regrind 리뷰의 retargeting-guided RL이 “사람 시연으로 탐색을 좁힌다”라면, 이 논문은 “물리 지표로 탐색을 좁힌다”에 해당한다 — 같은 목적(RL 탐색 난이도 완화)에 대한 서로 다른 사전 지식의 원천이다.

기계 설계 쪽에서는 능동 표면(active surface) 계열과 대비된다. Roller Grasper v2(회전 손끝), Velvet Fingers(능동 표면), wheeled fingers 등은 손끝에 액추에이터를 추가해 물체 운동을 만든다. 이 논문의 이방성 손끝은 액추에이터 없이 수동적 곡률만으로 방향 선호를 만든다는 점에서 훨씬 저렴하지만, 능동 표면이 제공하는 제어 권한은 얻지 못한다. 저자들이 관련 연구에서 지적한 “기계적 prior가 현대 학습 정책과 체계적으로 결합되지 못했다”는 공백을, 최소한 한 사례로는 메운 셈이다.

요약

이 논문의 기여는 두 문장으로 압축된다. (1) grasp map Gramian의 최소 고윳값 \lambda_{\min}(\mathbf{G}\mathbf{G}^\top)을 dense reward shaping으로 쓰면 — 접촉 위치만으로 계산되고 손 프레임에서 정의되므로 배포 비용이 0이다 — in-hand rotation 정책의 성공률과 지속 시간이 크게 오른다. (2) Montana 접촉 운동학이 시사하는 이방성 곡률을 실리콘 손끝으로 구현하면, 정책을 전혀 바꾸지 않아도 off-axis 교란에 대한 강건성이 오른다. 두 prior는 서로 다른 palm tilt 영역에서 이득을 내며 상보적으로 결합해, 실기 평균 SR 24% → 83%, 시뮬 18.2% → 71.0%를 만든다.

한계도 분명하다. 두 prior 모두 원기둥형 물체 + 손 프레임 고정 단일 회전축이라는 좁은 설정에 최적화되어 있고, 국소 prior의 강체 유도는 실제 승부를 가른 flat vs aligned 격차를 설명하지 못한다. q_{\mathrm{grasp}}가 “grasp map의 물리”인지 “접촉 개수 유지 휴리스틱”인지도 단순 대안과의 비교 없이는 분리되지 않는다. 외부 베이스라인 비교, 실기 결과의 불확실성 표기, 외부 교란에 대한 통제 실험, sim-to-real 기여도 분해 — 저자들이 스스로 남긴 이 목록이 그대로 후속 연구 항목이다.

그럼에도 “학습 파이프라인과 기계 설계를 같은 물리 언어로 동시에 손보는” 시도는 드물고, 특히 정책을 고정한 채 손끝만 교체해 하드웨어 기여를 분리한 실험은 이런 주장에서 마땅히 있어야 할 통제인데도 자주 생략되는 것이다. 형태(morphology)를 학습 시스템의 일급 설계 변수로 다루려는 흐름에서, 방법론적으로 참고할 만한 사례다.