📃KaRMA 리뷰

KaRMA: A Kinematic Metric for Fine Manipulation Ability in Robotic Hands

• Paper Link (arXiv:2605.15548v2). 이 리뷰는 v2(2026-09-04 개정) 기준이며, 수치·수식은 본문과 Table I~V에서 직접 확인한 값이다.

• Code Link (mfpeticco/karma-hand-metric). MIT 라이선스, 16개 손의 URDF·설정 파일과 논문 Table I/III/IV의 산출물(results/)이 함께 들어 있다(2026-09-11 확인).

• Project (martinpeticco.com/karma). 논문이 소개하는 코드·인터랙티브 데모 페이지.

• 저자: Martin Peticco, Pulkit Agrawal

• 소속: Improbable AI Lab, MIT

• IROS 2026 (arXiv comment 기준 “Accepted to IROS 2026”)

1. 💡 로봇 손의 “손재주”를 DOF 개수나 작업공간 부피 같은 정적 대리지표가 아니라, 표준 정의 그대로 “처음 잡은 상태에서 접촉을 유지한 채 물체 자세를 얼마나 연속적으로 바꿀 수 있는가”로 재자는 제안이다.
2. ⚙️ 엄지–검지 두 손가락으로 작은 구를 핀치한 상태에서, 관절 한계·충돌·rolling 접촉·antipodal 마찰 조건을 매 스텝 강제하는 QP 기반 BFS로 도달 가능한 구 중심 위치(voxel)와 핀치축 방향(HEALPix 228 bin)을 전수 탐색해 KaRMA-T(병진)·KaRMA-R(회전)·KaRMA-S(초기 파지 민감도) 세 점수를 낸다.
3. 🎯 16개 손에서 KaRMA-T는 LEAP 0.097부터 Ability 0.0003까지 두 자릿수 이상 벌어지고, Jacobian 계열 지표(Yoshikawa \rho_s=-0.20, GCI \rho_s=-0.08)와는 상관이 없으며, 가장 가까운 대리지표인 엄지–검지 작업공간 교집합과는 \rho_s=0.93이지만 여전히 16개 중 4개(25%)의 순위를 2칸 이상 틀리게 매긴다.

---

🔍 Ping Review

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

로봇 손을 고를 때 우리는 대개 스펙 시트를 본다. 관절이 몇 개인지, 손가락 끝이 닿는 부피가 얼마인지, 엄지와 검지 작업공간이 얼마나 겹치는지. 그런데 조작 분야가 “손재주(dexterity)”라고 부르는 것은 그런 정적 성질이 아니다. Bicchi 등의 고전 정의는 처음 잡은 상태에서 접촉을 유지한 채 물체의 자세를 연속적으로 바꾸는 능력이다. 관절이 많아도 그 관절들이 접촉을 유지하는 궤적으로 이어지지 않으면 손재주는 없다. 이 논문은 이 간극을 메우는 기구학 전용(kinematics-only) 지표를 만든다. 컨트롤러·센서·학습 정책을 전혀 개입시키지 않고 URDF 하나만으로 계산되므로, 하드웨어 구매나 설계 반복 단계에서 “이 손의 기구학 자체가 얼마나 미세 조작을 허락하는가”를 비교할 수 있게 하자는 것이다.

측정 설정은 의도적으로 좁다. 엄지와 검지로 작은 구를 잡는 정밀 핀치 한 가지, 재파지(regrasp)나 finger gaiting 없이 굴리기(rolling)만으로 구를 얼마나 옮기고 돌릴 수 있는지를 본다. 저자들은 이것을 “보편적 손재주 점수”가 아니라 엄지–검지 rolling 핀치 손재주의 표준화된 하한(lower bound)이라고 스스로 규정한다.

KaRMA 파이프라인(Fig. 1). 좌→우: 시드 생성(L_\mathrm{ref} 계산, Sobol 512 + 5-DOF linspace + 무작위 200개 관절값 샘플, IK로 접촉 간극 닫기) → 병진 BFS(조작성 타원체로 격자 정렬, 6개 XYZ 프리미티브, rolling QP + 8 substep) → 회전 탐색(핀치축을 뺀 2축 × 2방향 = 4개 프리미티브, 228 HEALPix bin 기록) → 점수화.

핵심 방법론:

병진 점수는 도달한 구 중심 voxel 수를 손 크기로 무차원화한 부피다. voxel 한 변을 h=0.05\,L_\mathrm{ref}로 손 크기에 비례시키므로 식이 voxel 개수로 줄어든다.

\text{KaRMA-T} = \frac{n_\text{voxels}\cdot h^3}{L_\mathrm{ref}^3} = \frac{n_\text{voxels}}{8000}

회전 점수는 각 voxel에서 도달한 핀치축 방향의 비율을, 가장 잘 도는 voxel 5개에 대해 평균한 값이다. 두 점 접촉에서는 두 접촉점을 잇는 축 둘레의 회전(twist)이 제어되지 않으므로 이 자유도를 빼고, 부호를 무시한 축 방향만 구 위의 등면적 HEALPix bin(n_\text{side}=6, 228개, 약 10°)으로 센다.

\text{KaRMA-R} = \frac{1}{|V_5|}\sum_{v\in V_5}\frac{|B(v)|}{N_\text{bin}}

세 번째 KaRMA-S는 모든 feasible 시드의 병진 점수 중 중앙값 / 최댓값이다. 1에 가까우면 어떤 초기 파지에서 시작해도 비슷하고, 0에 가까우면 좋은 성능이 특정 파지에만 몰려 있다. 탐색의 한 스텝은 Montana의 rolling 접촉 운동학을 선형화한 QP로, 관절 변위 \Delta q와 구 회전 \Delta\theta를 함께 풀어 원하는 구 병진 \Delta p를 두 접촉점 모두에서 rolling과 모순 없이 만들어 낸다.

주요 결과:

• 16개 손(LEAP, Allegro, D’Claw, Sharpa, Wuji, Shadow, Unitree Dex3/Dex5, Inspire, OrcaHand, Schunk SVH, xHand1, xHandLite, Ability + 인체 골격 모델 ARMS·DLR)에서 KaRMA-T 0.097(LEAP) ~ 0.0003(Ability), KaRMA-R 0.335(Allegro) ~ 0.004(Inspire·Ability).
• 대리지표와의 Spearman 상관: 작업공간 교집합(opposability) 0.93, 총 관절 가동범위 0.80, DOF 수 0.71, Yoshikawa 조작성 −0.20(p=0.46), GCI −0.08(p=0.76).
• 가장 강한 대리지표인 opposability도 16개 중 4개(25%)의 KaRMA-T 순위를 2칸 이상 틀리고, 쌍별 순서의 7%를 뒤집는다. 가장 큰 이탈은 Allegro(opposability 5위 → KaRMA-T 2위).
• T와 R 순위는 대체로 같이 가지만(\rho_s=0.96) 상위권에서 갈린다. LEAP는 T 1위·R 2위, Allegro는 T 2위·R 1위. 이 차이 \Delta를 어떤 대리지표도 예측하지 못한다(|\rho_s|\le0.31).
• 16개 손 전체 계산이 CPU(i9-13900KS, 32스레드)에서 18분 미만(손당 6초~5분), 반복 실행 3회 bit 단위 동일, 평행이동·회전·0.5×/2× 스케일에 편차 0.

결론:

KaRMA의 새로움은 “손재주”의 교과서적 정의를 도달 가능 집합(reachable set)으로 조작화한 데 있다. 기존 지표가 한 자세의 국소 성질(Jacobian 조건수)이나 접촉을 무시한 부피(작업공간)를 재는 반면, KaRMA는 접촉을 유지하는 연속 궤적이 실제로 존재하는지를 탐색으로 확인한다. 그 결과는 대부분 opposability와 같은 방향을 가리키지만, 관절 한계와 충돌이 교집합을 얼마나 잘라 먹는지에서 순위가 갈리고, 병진과 회전이 서로 다른 손을 1등으로 뽑는다는 것을 보여준다. 다만 과제 성공과의 정량 검증은 없고, 논문 스스로 이것을 과제 성공 예측기가 아니라 비교 도구라고 선을 긋는다.

---

🔔 Ring Review

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

한 줄로 시작하면

“이 손은 관절이 9개다”를 “이 손은 구를 잡은 채 굴려서 몇 칸까지 옮기고 몇 방향까지 돌릴 수 있다”로 바꿔 말하자는 논문이다. 전자는 스펙이고 후자는 능력이다. 둘을 잇는 것은 관절 한계, 손가락끼리의 충돌, rolling 접촉, 마찰 원뿔이라는 네 개의 제약이다. 저자들의 실험이 보여 주는 가장 중요한 사실은 이 제약들, 특히 관절 한계가 제약 없는 작업공간의 58~99%를 잘라낸다는 것이다. 그러니 “작업공간이 크다”와 “손재주가 있다”는 생각보다 거리가 멀다.

배경: 왜 기존 손 평가 지표로는 부족한가

논문의 관련 연구 절(§II)은 손 평가를 세 갈래로 나눈다.

기구학 대리지표. DOF·관절 수 같은 기술 지표 외에, 엄지를 손의 여러 지점에 대 보는 Kapandji 점수, 손가락 하나의 작업공간 부피(Kerr & Roth), 이를 발전시켜 엄지와 손가락 작업공간의 교집합으로 Gifu Hand III를 설계한 Mouri 등, 여러 손가락 교집합으로 확장한 You 등의 “Interactivity of Fingers”, 그리고 grasp 품질 분석에서 흔히 쓰는 Yoshikawa 조작성 지수가 있다. 저자들의 평가는 짧다. 이들은 개별 파지나 국소 자세에는 유용하지만 파지 안에서 물체를 얼마나 재배치·재배향할 수 있는지를 직접 재지 않는다.

과제 벤치마크. Elliott–Connolly 벤치마크, 두 손가락 병진용 Asterisk Test, 평면 회전 벤치마크처럼 물체 중심 과제를 정해 두고 성공을 재는 방식, 그리고 Adroit 같은 학습 기반 과제 묶음이 있다. 이것들은 시스템 전체를 평가하기엔 좋지만, 결과가 컨트롤러·센싱·학습 선택에 크게 좌우되어 손 기구학만 떼어 비교하기엔 부적합하다.

rolling 접촉 정식화. Montana(1988)가 관절 운동·접촉점 운동·물체 운동을 잇는 접촉 운동학을 세웠고, Bicchi 계열의 rolling 조작과 “dexterous gripper”, 그리고 최근의 궤적 최적화(Sundaralingam & Hermans의 relaxed-rigidity)나 그래프 탐색(Cruciani 등의 dexterous manipulation graphs)이 이를 동작 생성에 썼다. KaRMA는 이 정식화를 동작 생성이 아니라 평가에 쓴다는 점에서 자리를 잡는다.

저자들이 서론에서 미리 막아 두는 반론도 있다. “팔로 end-effector를 돌리거나 물체를 내려놨다 다시 잡으면 되지 않나?” 답은 셋이다. 그렇게 하면 손이 주는 마지막 정밀도를 포기하고, 재파지는 과제 호흡을 늘리며, 많은 물체는 치구 없이 원하는 자세로 바로 집을 수 없다. 조립의 작은 부품, bin picking 중 미세 재배향 같은 과제가 예로 든 동기다.

방법 1: 무엇을 재는가 (§III)

범위와 가정

KaRMA의 가정은 세 줄로 요약된다. 각각이 의도적인 단순화이고, 뒤의 비판도 대부분 여기서 나온다.

• 엄지–검지 두 손가락 정밀 핀치. 미세 조작에서 가장 흔한 파지이고, 접촉 유지 손 안 운동의 하한 사례라는 이유다.
• 구형 테스트 물체. 모서리·꼭짓점 효과를 없애 물체에 무관한(object-agnostic) 비교를 만들고 rolling 손재주에 집중하려는 것이다.
• rolling 접촉, 재파지 없음, 기구학만. 컨트롤러 설계·중력·물체 형상에 대한 의존을 떼어낸다.

L_\mathrm{ref} 스케일링

서로 크기가 다른 손을 비교하려면 길이 단위를 없애야 한다. KaRMA는 모든 길이 파라미터(구 반지름, voxel 크기, 허용오차)를 특성 길이 L_\mathrm{ref}로 스케일한다.

L_\mathrm{ref} = \mathrm{mxPr} + \mathrm{mF}

\mathrm{mxPr}는 손가락 knuckle 관절 원점 사이의 최대 쌍별 거리(각 체인의 첫 번째 non-mimic revolute 관절, 줄어들면 원위 쪽으로 옮김), \mathrm{mF}는 knuckle에서 끝까지의 체인 길이 중앙값이다. 손바닥 폭과 손가락 길이, 즉 핀치 가능한 위치의 외곽을 결정하는 두 기하 요소를 더한 것이다. 기본값은 L_\mathrm{ref}=200 mm 기준으로 정의하고 L_\mathrm{ref}/200\,\text{mm}로 스케일한다. 마찰계수·HEALPix 해상도·BFS 예산 같은 무차원 파라미터는 그대로 둔다. Table I의 L_\mathrm{ref}는 Dex3 155.3 mm부터 D’Claw 327.2 mm까지 2배 넘게 벌어진다.

Twist-invariant 방향 표현

두 점 핀치에서 두 접촉점을 잇는 축 둘레 회전은 제어할 수 없다. 두 점 사이에 구를 끼우고 그 축으로 돌리는 것은 손가락이 막을 수도, 만들어 낼 수도 없는 운동이다. 그래서 KaRMA는 구의 body frame에서 핀치축의 방향만 추적한다. 축을 뒤집어도 같은 핀치이므로 반대 방향을 같은 것으로 보면, 방향 공간은 2차원(반구, 정확히는 사영 평면)이 된다. 이를 HEALPix로 나누면 N_\text{bin} = 6n_\text{side}^2 + 2n_\text{side}이고 n_\text{side}=6에서 228개다. 등면적 bin을 쓰는 이유는 방향 공간의 어느 쪽에서도 bin 크기가 같아야 커버리지 비율이 이산화 편향을 덜 받기 때문이다.

세 점수

• KaRMA-T. 도달한 구 중심 위치를 시드 자세의 조작성 타원체 주축에 정렬한 voxel 격자에 올리고 센다. h=0.05L_\mathrm{ref}이므로 n_\text{voxels}/8000, 즉 “한 변이 L_\mathrm{ref}인 정육면체 중 몇 %를 채웠는가”다. 가장 좋은 시드 3개의 평균으로 보고하는데, top-1·top-3·top-5 집계 사이의 손 순위 상관은 \rho_s\ge0.99로 선택에 둔감하다고 한다.
• KaRMA-R. voxel마다 방문한 방향 bin 비율을 기록하고, 가장 높은 5개 voxel의 평균을 낸다(시드 top-3 평균). 단일 voxel 최댓값 대신 top-5를 쓰는 것은 이상치 voxel에 대한 민감도를 줄이려는 선택이다.
• KaRMA-S. 모든 feasible 시드의 병진 점수 중앙값 / 최댓값. 회전이 아니라 병진으로 정의한 이유는, 시드마다 도달하는 경계 voxel이 달라 병진이 초기 파지에 더 민감하기 때문이다. 회전은 top-5 voxel 평균이라 잘 놓인 voxel 몇 개만 있어도 높게 나온다. 저자들은 S는 T와 함께 읽어야 한다고 주의를 준다. S가 높고 T가 낮으면 “고르게 못하는” 손이라는 뜻이다.

방법 2: 어떻게 계산하는가 (§IV)

핀치 파지 설정(Fig. 2, ARMS 모델). 손가락 링크는 반구 캡이 달린 원기둥(capsule), 가운데 빨간 구가 rolling 접촉 테스트 물체다. 초록 화살표는 병진 프리미티브, 주황 화살표는 회전 프리미티브, 점선은 twist-invariant 핀치축, 구 위의 점은 접촉 법선의 기점이다.

접촉 기하

손가락 링크는 모두 고정 반지름 r_\ell의 capsule, 물체는 반지름 r_s의 구다. 구 중심 p에서 capsule 축 선분 위의 최근접점 c까지 거리로 부호 있는 접촉 간극을 정의한다.

g = \lVert p - c\rVert - r_s - r_\ell

|g|\le\epsilon_g이면 접촉이 유지되고, 바깥 방향 단위 법선은 \hat n = (p-c)/\lVert p-c\rVert다. 매 스텝 구 중심에 가장 가까운 엄지 링크와 검지 링크를 접촉 쌍으로 다시 고르므로, 탐색 도중 접촉하는 링크가 손끝에서 중간 마디로 바뀔 수 있다.

후보의 feasibility 조건

매 BFS 스텝에서 네 가지를 모두 확인한다.

1. 접촉 간극: 투영 후 두 접촉 모두 |g_i|\le\epsilon_g.
2. 관절 한계: URDF 범위 q_j^-\le q_j\le q_j^+.
3. 충돌 회피: 구가 비접촉 링크 capsule을 뚫지 않음(d-r_s-r_\ell\ge\epsilon_\mathrm{col}), 엄지–검지 capsule 쌍의 선분 간 거리 \ge 2r_\ell+\epsilon_\mathrm{col}.
4. antipodal 파지 가능성: 마찰계수 \mu에 대해 \cos\angle(-\hat n_0,\hat n_1)\ge\cos(2\arctan\mu). 두 접촉 법선이 거의 마주 보고 있어야 두 손가락으로 구를 쥐는 힘이 마찰 원뿔 안에 들어간다는 조건이다. \mu=0.6이면 두 법선 사이 허용 편차가 2\arctan 0.6\approx 62°다(필자 계산).

Rolling contact QP

BFS의 각 프리미티브는 작은 관절 변위 \Delta q를 QP로 푼다. 병진 프리미티브는 변수 x=[\Delta q^\top,\Delta\theta^\top]^\top에 대해

\min_x \;\lVert Mx-b\rVert^2 + \lambda_\theta\lVert\Delta\theta-\Delta\theta^\ast\rVert^2 + \lambda_r\lVert\Delta q\rVert^2

를 푼다. Montana 운동학에 따라 M=[\,J_\mathrm{surf}\;\; -r[\hat n]_\times\,]는 (\Delta q,\Delta\theta)를 두 접촉점의 접촉점 운동으로 보내고, b=\Delta p는 명령한 접촉점 변위다. \Delta\theta^\ast는 \Delta p로부터 기하적으로 계산한 이상적 rolling 회전이다. 풀어 말하면 “구를 \Delta p만큼 옮기되, 손가락 표면 위를 미끄러지지 않고 굴러가려면 구가 이만큼 돌아야 한다”는 기대치에 가깝게, 그리고 관절을 되도록 적게 움직여서 해를 찾는다. 회전 프리미티브는 \Delta p=0으로 두고 목표 회전 \Delta\theta_\text{target}를 쫓는 같은 구조다. 두 QP 모두 관절 스텝 한계 |\Delta q_j|\le\Delta q_\max, 관절 위치 한계, 선형화된 간극 제약을 걸고 OSQP로 푼다. voxel 하나를 옮기는 이동은 고정 substep으로 적분하고(Fig. 1에 따르면 8 substep), 짧은 투영 단계로 남은 간극을 다시 닫는다.

여기서 중요한 세부가 하나 있다. 식의 rolling 항은 소프트 페널티다. 대신 스텝의 채택 여부는 잔여 접선 미끄럼(rolling 방향에 가로지르는 미끄럼, 접촉 법선 둘레의 자유 spin은 제외)이 하드 게이트 아래인지로 결정한다. 게이트 위치는 “도달량 vs 허용오차 곡선의 팔꿈치(elbow)”에 두었다고만 적혀 있고 수치는 본문에 없다. 이 잔여 미끄럼이 곧 국소 선형화 오차인데, 저자들에 따르면 low-DOF 바닥권 위의 모든 손에서 그 중앙값이 명령 운동의 0.5% 미만이라 “점수가 의미 있는 곳에서는 사실상 순수 rolling”을 잰다. 반면 바닥권 다섯 손(†: Dex3, xHandLite, Inspire, SVH, Ability)은 중앙값 11~32%의 미끄럼에 기대야 조금이라도 움직인다. 엄격한 rolling 등식을 걸면 이들은 거의 0이 되므로, 유계 게이트로 같은 척도 위에 남겨 두었다는 설명이다.

시드 선택과 2단계 BFS

시드는 BFS가 출발하는 최초의 feasible 엄지–검지 핀치다. Sobol 준난수, 관절별 linspace 스윕, 고정 시드의 균일 난수를 합친 결정론적 후보 집합을 만들고, 각 후보마다 엄지–검지 접촉 중점 근처에 구 중심을 제안한 뒤 비선형 최소제곱 IK(backtracking 포함)로 두-접촉 매니폴드에 투영한다. 선택적으로 J_\mathrm{obj}=\tfrac12(J^\mathrm{surf}_{v,0}+J^\mathrm{surf}_{v,1})의 영공간에서 관절 범위 중앙 쪽으로 다듬는다. 모든 feasible 시드에 대해 전체 병진 BFS를 돌린다. 손당 시드 수는 42~670개(중앙값 약 400)다.

• Phase 1(병진). 시드에서 출발해 시드 조작성 주축의 ±방향 6개 프리미티브로 voxel을 넓힌다. 후보마다 rolling QP → 투영 → 모든 feasibility 검사. frontier가 바닥나거나 상태 예산(10,000)에 닿으면 끝난다.
• Phase 2(회전). Phase 1에서 얻은 모든 voxel에서 제어 가능한 두 축에 대한 회전 프리미티브로 도달 HEALPix bin을 기록한다.

비용에 대해 논문이 짚는 점이 좋다. BFS의 “상태”는 관절공간 샘플이 아니라 도달한 작업공간 voxel이라서 비용이 DOF에 지수적으로 늘지 않는다. 실제로 예산 10,000은 한 번도 묶이지 않았고 가장 큰 손(LEAP)도 792개 상태에서 멈췄다.

직관: 왜 “도달 집합”이 정적 지표와 다른 것을 재는가

비유 하나로 정리하면 이렇다. 작업공간 교집합은 두 사람이 각자 돌아다닐 수 있는 방의 겹치는 넓이다. KaRMA는 두 사람이 공 하나를 사이에 끼운 채 떨어뜨리지 않고 함께 걸어갈 수 있는 경로를 센다. 겹치는 방이 넓어도 한 사람이 문턱(관절 한계)에 걸리거나 서로 어깨가 부딪히면(충돌) 그 넓이는 쓸 수 없다. 두 사람의 손이 공을 마주 보고 누르지 못하면(antipodal 조건) 공은 떨어진다.

이 직관은 Table IV의 누적 제약 제거 실험이 수치로 보여 준다. 간극만 걸었을 때(i)와 전체(iv)를 비교하면 LEAP는 4,636 → 792 voxel, Shadow는 4,070 → 110, xHand1은 6,250 → 32다. 같은 고정 시드에서 간극 제약만 걸면 xHand1이 LEAP보다 넓다. 그런데 관절 한계 하나로 xHand1은 58개만 남는다. 정적 지표는 (i)열을 보고, KaRMA는 (iv)열을 본다.

Jacobian 계열 지표가 왜 아예 무상관인지도 여기서 이해된다. 조작성과 조건수는 한 자세에서의 국소 성질이다. 자유도가 적으면 Jacobian이 작고 잘 조건화되는 게 당연해서, Ability가 GCI 0.376으로 16개 중 1위를 하면서 KaRMA-T로는 꼴찌를 한다. 한 점에서 잘 움직일 수 있다는 것과 그 움직임이 멀리 이어진다는 것은 다른 명제다.

실험: 16개 손과 대리지표 비교 (§V~VI)

셋업

평가 대상은 16개다. 상용·연구용 로봇 손 14종(Ability, Allegro, D’Claw, Unitree Dex3, Unitree Dex5, Inspire, LEAP, OrcaHand, Sharpa, Shadow, Schunk SVH, Wuji, xHand1, xHandLite)과 인체 손 골격 모델 2종(ARMS: 측정한 관절 운동 기반, DLR: MRI 기반)이다. 기본 파라미터는 L_\mathrm{ref}=200 mm 기준 구 반지름 10 mm, voxel 10 mm, \mu=0.6, n_\text{side}=6(228 bin), BFS 예산 10,000 상태다.

대리지표(baseline)는 모두 엄지와 검지 체인에서 계산하고 coupled/mimic 관절을 반영한다. DOF 수, 총 관절 가동범위(rad), 손가락당 65,536개 Sobol 샘플의 손끝 작업공간 볼록껍질 부피(/L_\mathrm{ref}^3), 엄지–검지 볼록껍질 교집합(opposability, /L_\mathrm{ref}^3), 조합 Jacobian의 평균 Yoshikawa 조작성, 특이 근방을 제외한 \sigma_\min/\sigma_\max 평균(GCI)이다. 한 가지 읽을 때 주의할 점: 표의 DOF 열은 손 전체가 아니라 엄지+검지의 제어 가능한 관절 수다. Shadow의 “9 DOF”는 그런 의미다.

KaRMA 점수 (Table I 발췌)

손	DOF	L_\mathrm{ref} (mm)	가동범위 (rad)	Oppos.	GCI	KaRMA-T	KaRMA-R	KaRMA-S
LEAP	8	249.4	21.11	0.230	0.102	0.097	0.304	0.45
Allegro	8	222.5	12.59	0.053	0.151	0.055	0.335	0.54
D’Claw	6	327.2	16.25	0.117	0.083	0.036	0.231	0.23
Sharpa	9	188.3	12.74	0.070	0.150	0.034	0.247	0.37
Wuji	8	176.6	13.21	0.057	0.117	0.034	0.233	0.35
Shadow	9	184.8	12.64	0.033	0.107	0.013	0.161	0.21
ARMS	8	171.3	11.17	0.017	0.115	0.012	0.149	0.34
Dex5	8	185.9	11.91	0.036	0.112	0.009	0.173	0.19
DLR	9	204.5	14.15	0.012	0.082	0.008	0.158	0.56
Dex3†	5	155.3	8.80	0.000	0.097	0.004	0.094	0.06
xHand1	6	190.8	9.86	0.014	0.091	0.003	0.097	0.09
OrcaHand	7	168.9	12.69	0.007	0.082	0.003	0.137	0.32
xHandLite†	5	170.0	7.61	0.000	0.091	0.002	0.061	0.06
Inspire†	3	155.4	3.60	0.000	0.208	0.0004	0.004	–
SVH†	4	182.9	4.09	0.000	0.133	0.0004	0.010	–
Ability†	3	158.9	6.28	0.000	0.376	0.0003	0.004	–

(Thumb WS·Yoshikawa 열은 생략했다. †는 검지 DOF가 2 이하라 3D 손끝 작업공간 교집합이 0인 손이다. KaRMA-S는 도달 voxel이 10개 미만인 세 손에서 한 자릿수 정수끼리의 비가 되어 생략됐다.)

KaRMA-T는 두 자릿수 이상(0.097 → 0.0003, 약 320배) 벌어져, DOF(3~9)나 GCI(0.08~0.38)보다 훨씬 넓은 판별 범위를 준다. 상위 5개는 모두 0.02 초과, 하위 5개는 모두 0.003 이하다. 한 가지 흥미로운 결과는 opposability가 0인 손들도 KaRMA가 0이 아니라는 점이다. 3D 부피 교집합은 없어도 손가락이 훑는 저차원 매니폴드 위에서는 BFS가 도달을 셀 수 있기 때문이다(다만 이 영역은 앞서 본 대로 미끄럼에 기대는 영역이다).

상위 두 손(둘 다 8 DOF)의 도달 집합(Fig. 3). voxel 색은 회전 커버리지(빨강 낮음 → 초록 높음). LEAP는 voxel을 1.8배(792 vs 445) 더 넓게 채우지만, Allegro는 voxel의 절반 이상이 방향 bin의 17% 이상에 도달하는 반면 LEAP는 29%에 그친다. 두 손은 KaRMA-T와 KaRMA-R 사이에서 순위를 맞바꾼다.

KaRMA-R은 0.335(Allegro)에서 0.004(Inspire, Ability)까지다. 최고의 손도 top-5 voxel 평균으로 228개 방향 bin의 33.5%만 커버한다.

대리지표와의 비교

대리지표 중 KaRMA-T와 가장 강하게 상관하는 것은 작업공간 교집합이다(\rho_s=0.93, p<0.001). 손끝 작업공간이 겹치는 곳에서만 핀치가 생길 수 있으니 예상된 결과다. 총 관절 가동범위(\rho_s=0.80)와 DOF 수(\rho_s=0.71, p=0.002)도 상관하지만 혼자서는 믿을 수 없다. Shadow와 DLR(둘 다 9 DOF)은 KaRMA-T 6위·9위에 그치고 6 DOF의 D’Claw는 3위다. Jacobian 계열은 상관이 전혀 없다.

필자가 Table I의 값으로 이 상관계수들을 다시 계산해 보았다. DOF 0.713(p=0.0019), 가동범위 0.803, opposability 0.931, Yoshikawa −0.200(p=0.46), GCI −0.090, T–R 0.957, 그리고 부록의 “KaRMA-S vs feasible 시드 수” −0.707(p=0.007)이 나왔다. GCI만 동순위 처리 차이로 0.01 어긋나고 나머지는 모두 논문 값과 일치한다. 표와 본문 사이의 내부 정합성은 좋다.

KaRMA-T(원)·KaRMA-R(사각형) vs 작업공간 opposability(Fig. 4, log–log). 왼쪽 회색 띠는 교집합이 0인 다섯 손이다. 마름모는 두 점수 모두에서 3칸 이상 이탈한 유일한 손 Allegro다. \rho_s\ge0.93인데도 16개 중 25%의 순위를 2칸 이상 틀린다. (arXiv HTML에는 이 그림의 이미지가 없어 PDF에서 잘라 넣었다.)

논문도 인정하듯 0.93이라는 상관은 교집합 0인 다섯 손이 두 순위 모두의 바닥에 몰려 있어 부풀려진 것이다. 그래서 저자들은 상관 대신 순위 이탈을 본다. opposability는 4개 손(25%)의 KaRMA-T 순위를 2칸 이상 틀리고 쌍별 순서의 7%를 뒤집는다. 가장 큰 이탈은 Allegro(5위 → 2위)로, 교집합은 크지 않지만 넓은 관절 범위가 긴 rolling 궤적을 버텨 준다. Dex5(6 → 8)는 적당한 교집합이 제약 아래 제한된 BFS 도달로 줄어든 경우, xHand1(9 → 11)은 관절 한계가 제약 없는 작업공간의 99%를 지운 경우다.

병진과 회전은 다른 손을 뽑는다 (Table II)

모든 대리지표는 순위를 하나만 낸다. KaRMA는 셋을 내고, 그중 T–R 차이에 의미가 있다. 두 순위의 상관은 \rho_s=0.96로 높지만, 차이 \Delta = \text{T 순위} - \text{R 순위}가 과제 관련 방향으로 갈린다.

손	DOF	T	T 순위	R	R 순위	\Delta	Opp. 순위
LEAP	8	0.097	1	0.304	2	−1	1
Allegro	8	0.055	2	0.335	1	+1	5
D’Claw	6	0.036	3	0.231	5	−2	2
Sharpa	9	0.034	4	0.247	3	+1	3
Wuji	8	0.034	5	0.233	4	+1	4
ARMS	8	0.012	7	0.149	9	−2	8
Dex5	8	0.009	8	0.173	6	+2	6
Dex3	5	0.004	10	0.094	12	−2	12
OrcaHand	7	0.003	12	0.137	10	+2	11

저자들의 해석은 실용적이다. 재배향이 우선이면 Allegro, 재배치가 우선이면 LEAP를 고르라는 것이다. opposability는 둘 다 “교집합 큰 손”으로 묶어 이 구분을 못 한다. 그리고 \Delta와 각 대리지표의 상관이 모두 약해서(|\rho_s|\le0.31, p>0.24), 대리지표를 전부 갖고 있어도 어떤 손이 병진 쪽인지 회전 쪽인지는 KaRMA를 돌리기 전엔 알 수 없다는 것이 이 절의 주장이다.

공개 과제 결과와의 정성적 일치

저자들은 “선별한(selected)” 기존 과제 결과 세 건과 방향이 맞는다고 보고한다.

• DexMachina(Zhao et al.)는 크기가 비슷한 Inspire·Ability보다 Schunk SVH의 평균 조작 성능이 낫다고 보고했다. GCI는 Ability·Inspire를 SVH 위에 두지만, KaRMA-R은 SVH(0.010)를 Inspire·Ability(0.004) 위에 둔다.
• 같은 논문에서 XHand(여기선 xHand1)가 장기 관절 물체 과제에서 Inspire를 크게 앞선다. KaRMA도 T·R 모두 xHand1을 Inspire 위에 둔다(Jacobian 계열은 반대).
• ISyHand 논문은 초기 평가에서 LEAP보다 Allegro가 강했다고 보고한다. KaRMA-R은 Allegro 1위, LEAP 2위로 맞다(총 관절 범위는 LEAP를 위에 둔다).

이 비교가 얼마나 강한 근거인지는 아래 비판 절에서 따로 따진다.

강건성 (Table III, §VI-C)

대표 다섯 손(LEAP, Shadow, xHand1, Dex3, Inspire)을 1,000 상태 예산으로 돌렸다.

• 불변성. 월드 프레임 평행이동 4종·회전 4종·0.5×/2× URDF 스케일, 반복 3회 모두에서 T·R 편차가 정확히 0이다. 저자들이 명시하듯 이는 구성상(by construction) 성립한다. 순운동학 전에 base link를 월드 원점에 정규화하고, rolling QP와 시드 IK를 구 반지름으로 스케일한 무차원 형태로 푼다. 이산 임계값을 가로지르는 voxel 수를 세는 지표라, 정규화 후 남는 부동소수점 잔차가 경계 voxel을 뒤집지 않도록 관절 배치를 L_\mathrm{ref} 상대 격자에 스냅한다.
• 파라미터 민감도. 링크 길이 ±1~2%, 관절 한계 ±1~3°, 구 반지름 ±2~5%, capsule 반지름 ±2~5%를 따로 흔들고 최선 시드를 다시 고르는 표준 파이프라인으로 측정했다. LEAP(기준 792 voxel)는 링크 기하·구·capsule 반지름으로는 voxel 수가 10% 미만 변하고, 민감도는 관절 한계에 몰린다(+3° 확장에서 최대 20%). 상대 변화가 가장 큰 것은 xHand1 +3° 확장(34%), Shadow −3° 축소(32%)다. 작은 손에서 상대 변화가 커 보이는 것은 당연하다. Inspire는 기준이 4 voxel이라 1 voxel이 25%다.
• 시드 고정 재실험. 시드를 기준 자세로 고정하면 기하 섭동에서도 더 크고 비단조적인 변화가 나온다. 원래 기하에 맞춘 파지가 섭동 후 어긋나며 경계 voxel을 뒤집기 때문이다. 관절 한계 3° 축소는 고정 시드의 도달 집합을 19~84% 줄인다. 시드 재선택을 하면 잘 분리된 손들의 순위는 바뀌지 않고, 거의 동점인 xHand1/Dex3 쌍만 뒤바뀔 수 있다.

제약 제거 실험 (Table IV)

각 손마다 단일 시드를 고정하고 예산 10,000에서 제약을 누적으로 추가했다: (i) 간극만 → (ii) +관절 한계 → (iii) +충돌 → (iv) 전체(+antipodal). 값은 T / R이다.

손	(i) 간극만	(ii) +JL	(iii) +Col	(iv) 전체
LEAP	0.580 / 0.527	0.241 / 0.401	0.123 / 0.332	0.099 / 0.304
Shadow	0.509 / 0.527	0.016 / 0.214	0.016 / 0.173	0.014 / 0.161
xHand1	0.781 / 0.473	0.007 / 0.193	0.007 / 0.177	0.004 / 0.097
Dex3	0.007 / 0.343	0.004 / 0.097	0.004 / 0.097	0.004 / 0.094
Inspire	0.0005 / 0.004	0.0005 / 0.004	0.0005 / 0.004	0.0005 / 0.004

관절 한계가 병진의 지배 제약이다. LEAP 4,636 → 1,931 voxel(−58%), xHand1 6,250 → 58(−99%). 충돌 회피는 LEAP를 다시 49% 줄이지만 이미 관절 한계에 묶인 손에는 영향이 작다. antipodal 조건은 비바닥권 손에서 남은 구성의 14~40%를 더 지운다. Inspire는 네 단계 모두에서 같은 4 voxel이 살아남는데, 저자들은 이를 제약 때문이 아니라 기구학 자체(QP infeasibility)의 한계라고 해석한다. 본문의 퍼센트는 필자가 표의 값으로 검산해 모두 맞았다(예: 1,931/4,636 = 0.417 → −58%, LEAP T 5.9× = 0.580/0.099, R 1.7× = 0.527/0.304).

KaRMA-R은 제약이 추가될수록 줄거나 유지되지만 폭이 T보다 작다(LEAP T 5.9배 감소 vs R 1.7배). 회전 커버리지는 voxel별 국소 관절 이동성에 좌우되고, 병진을 지배하는 전역 작업공간 제약의 영향은 덜 받는다는 해석이다. 반대로 충돌·antipodal 조건은 몇몇 손에서 R에 비례적으로 더 큰 영향을 준다(xHand1 R은 +Col → 전체에서 45% 감소, T는 40%). 회전 탐색이 더 넓은 구성을 건드려 파지 불가능 상태를 더 자주 만난다는 설명이다.

부록: 도달 집합 갤러리와 사례 연구

16개 손 전체의 도달 집합(Fig. 5, KaRMA-T 순, LEAP → Ability). 손마다 투시 3/4 뷰 1장과 시드 조작성 프레임(x,y,z) 축을 따른 정사영 3장. 파란 capsule이 엄지·검지 접촉 링크, 회색이 나머지 링크, 빨간 구가 테스트 물체다. 상위권(LEAP, Allegro, D’Claw)은 3차원 부피를 채우고, 5-DOF 손(Dex3, xHandLite)은 2차원 판으로, 하위 세 손(Inspire, SVH, Ability)은 몇 개 voxel의 선으로 무너진다.

부록의 사례 연구 네 개는 “정적 지표가 놓친 것”을 한 쌍씩 보여 준다. 여기서는 voxel의 17% 이상 방향 bin에 도달하면 “잘 재배향한다”고 정의하고, 집합의 모양을 가장 얇은 축의 두께와 한 slice에 몰린 voxel 비율(평판이면 1에 가까움)로 요약한다.

Shadow vs D’Claw: DOF 수는 도달 작업공간을 예측하지 않는다. 9-DOF Shadow는 110 voxel, 비인간형 6-DOF D’Claw는 315 voxel로 거의 3배다. Shadow의 집합은 11×3×8 voxel 경계상자에 두께 3, 한 slice에 49%가 몰린 얇은 곡면 판이고, D’Claw는 13×11×11에 어느 slice도 23%를 넘지 않는 부피다(다만 한 손가락 옆면을 따라 구가 굴러 내려가는 가느다란 저회전 가닥이 있는 불규칙한 모양이다). 원인은 관절 한계다. Shadow는 관절 한계만으로 4,070 → 128(−97%)이 되고 나머지 제약은 128 → 110으로 거의 영향이 없다. D’Claw는 관절 한계로 78%(5,892 → 1,280)만 잃는다. 총 관절 범위 16.3 rad 대 12.6 rad와 맞는 결과다.

Shadow vs D’Claw(Fig. 6, 같은 스케일). 9-DOF 인간형 손은 110 voxel의 얇은 판, 6-DOF claw는 315 voxel의 부피에 도달한다.

D’Claw vs xHand1: 같은 DOF, 다른 차원. 연구에서 6-DOF 손은 이 둘뿐인데, 도달 집합의 차원이 반대다. xHand1은 8×2×8 voxel에 한 slice가 91%인 거의 평면으로, 시드 x축 방향에서 보면 모서리만 보여 거의 사라진다. 관절 한계가 제약 없는 작업공간의 99%(6,250 → 58)를 지우고, 전체 제약을 통과한 것이 32 voxel 판이다.

D’Claw vs xHand1(Fig. 7, 둘 다 시드 x축 뷰, 같은 스케일). 같은 6 DOF에서 D’Claw는 부피를 채우고, xHand1의 판은 모서리 방향에서 거의 보이지 않는다.

Allegro vs Wuji: 대리지표가 똑같이 보는 두 손. 둘 다 8 DOF, 총 관절 범위 12.6 vs 13.2 rad, opposability 0.053 vs 0.057(오히려 Wuji가 약간 위)이다. 비슷한 집합 크기(445 vs 310 voxel)에서 17% 이상 도달 voxel이 Allegro 53% vs Wuji 9%, voxel당 평균 커버리지 0.174 vs 0.101로 갈린다.

Allegro vs Wuji(Fig. 8, 같은 스케일). 대리지표는 둘을 비슷하게 보지만(opposability는 Wuji 쪽), Allegro voxel의 53%가 17% 이상 회전 커버리지에 도달하는 반면 Wuji는 9%다.

ARMS vs DLR: 독립적으로 만든 두 인체 손 모델. DOF(8 vs 9)와 크기(L_\mathrm{ref} 171 vs 205 mm)가 다른데 KaRMA-T 0.012 vs 0.008, KaRMA-R 0.149 vs 0.158로 비슷하다. 저자들은 이를 KaRMA가 손의 실제 손 안 이동성을 반영한다는 정황으로 읽고, 동시에 인간형이라고 해서 손 안 작업공간이 최고인 것은 아니다(여러 로봇 손이 인체 모델보다 높다)고 덧붙인다.

ARMS vs DLR(Fig. 9, 같은 스케일). 서로 독립적인 두 인체 손 재구성이 DOF·크기 차이에도 비슷한 점수를 받는다.

부록은 두 가지를 더 짚는다. 첫째, 도달 voxel이 4개 넘는 모든 손에서 회전 커버리지 최고 voxel은 시드 voxel이 아니다. Dex3는 시드 voxel이 방향 bin의 0.9%, 최고 voxel이 11.4%로 13배, Dex5는 7배 차이다. “어디를 잡아야 가장 잘 돌릴 수 있는가”는 손마다 다르고 voxel별 지도가 그 위치를 알려 준다. 둘째, 어떤 손의 어떤 voxel도 228 bin의 35.5%(LEAP 최고 voxel, 81 bin)를 넘지 못한다. 가장 손재주 좋은 손이 가장 좋은 위치에서도, 고정 파지로부터의 rolling만으로는 핀치축을 가능한 방향의 약 1/3로만 돌린다.

Table V의 진단값은 floor 손 구분을 뒷받침한다. 중·고 DOF 11개 손은 스텝당 접선 미끄럼 중앙값 \alpha<0.005, floor 다섯 손은 \alpha>0.10(Dex3 0.108 ~ Ability 0.324)이다. 또한 feasible 핀치 수와 KaRMA-S는 반대로 간다(\rho_s=-0.71, p=0.007). DLR은 핀치가 42개뿐인데 KaRMA-S 최고(0.56), Dex3는 659개인데 0.06(중앙 파지 2 voxel, 최선 34 voxel)이다. “잡을 수 있는 자세가 많다”는 것이 강건성을 뜻하지 않는다는 반직관적인 결과다.

비판적으로 보면

강점

• 정의와 측정의 거리가 짧다. “접촉을 유지한 채 물체 자세를 연속적으로 바꾸는 능력”이라는 정의를, 네 가지 제약 아래의 연결된 도달 집합으로 거의 그대로 옮겼다. 정적 부피나 국소 Jacobian처럼 정의의 일부만 잡는 대리지표와 달리, KaRMA가 세는 voxel 하나하나가 실제로 접촉을 유지하며 이어진 궤적의 끝점이다.
• 왜 순위가 갈리는지를 설명할 수 있다. 제약 제거 실험(Table IV)이 점수를 제약별로 분해해 준다. “Shadow가 낮은 이유는 관절 한계(−97%)”처럼, 점수만 주는 지표가 아니라 설계자가 손을 댈 곳을 가리키는 진단 도구가 된다. voxel별 회전 지도도 “어디를 잡아야 잘 돌리는가”라는 스칼라로는 못 주는 정보를 준다.
• 상관이 아니라 순위 이탈로 논증한다. \rho_s=0.93이면 흔히 “대리지표로 충분하다”로 끝나는데, 저자들은 그 상관이 floor 손 다섯 개의 군집으로 부풀려졌다고 스스로 지적하고, 순위 이탈(25%)과 T–R 차이의 비예측성(|\rho_s|\le0.31)으로 KaRMA의 추가 정보를 보인다. 정직한 통계 처리다.
• 자기에게 불리한 사실을 먼저 적는다. floor 손이 11~32% 미끄럼에 기대 움직인다는 것, KaRMA-S가 도달 10 voxel 미만에선 무의미하다는 것, 과제 성공을 예측하지 않는다는 것, 결과가 선형화·이산화 선택에 의존한다는 것을 모두 본문에 명시한다.
• 재현성의 기본기가 좋다. CPU만으로 16개 손이 18분, 결정론적·bit 재현, 구성상 불변성, MIT 코드와 16개 손 설정·산출물 동봉. 필자가 Table I로 다시 계산한 Spearman 상관 7개가 동순위 처리 차이 하나(GCI)를 빼면 모두 일치했고, Table IV에서 본문으로 옮긴 퍼센트·배수도 모두 맞았다.

약점·한계

• “과제 성능과 맞는다”의 근거가 가장 약한 곳에 놓여 있다. 외부 타당성의 유일한 근거는 “선별한” 공개 결과 세 건과의 정성적 방향 일치다. 그중 DexMachina 비교를 숫자로 풀면 이렇다. SVH와 Inspire의 KaRMA-T는 0.0004로 동점이고, KaRMA-R 0.010 vs 0.004는 228 bin 기준 약 2.3개 vs 1개 bin의 차이다. Table V의 최선 voxel 수로는 오히려 Inspire 4 > SVH 3이다. 게다가 세 손은 모두 floor 손이라, 저자들이 “순수 rolling이 아니라 미끄럼에 기대는” 영역이라고 인정한 곳에서 일치를 주장하는 셈이다. 비교 대상 과제의 성격도 다르다. 이 블로그의 DexMachina 리뷰에 정리했듯 그 벤치마크는 ARCTIC 기반의 양손 관절 물체 장기 과제이고, 거기서 Schunk 손의 우위를 끌어낸 요소로 작동하는 손끝 마디와 접히는 손바닥이 거론된다. 둘 다 엄지–검지 rolling 핀치에는 들어오지 않는 특징이다. 방향이 맞았다는 사실은 반대 증거보다는 낫지만, 이 조합으로 KaRMA가 과제 성능을 반영한다고 말하긴 어렵다. 정량 검증(같은 컨트롤러 계열로 여러 손에 같은 rolling 과제를 돌려 KaRMA와의 순위 상관을 재는 것)이 다음 단계로 필요하다.
• 점수를 지배하는 입력이 URDF에서 가장 믿기 어려운 필드다. 제약 제거와 민감도 실험이 일관되게 말하는 것은 관절 한계가 지배 변수라는 것이다(관절 한계만으로 58~99% 감소, ±3°에 최대 34% 변동, 시드 고정 시 19~84% 감소). 그런데 공개 URDF의 관절 한계는 제조사가 보수적으로 잡았거나, 실기와 다르거나, 커뮤니티 버전마다 다른 경우가 흔하다. 즉 KaRMA는 부분적으로 “그 URDF의 관절 한계가 얼마나 넉넉하게 적혀 있는가”를 잰다. 논문은 이 축을 파라미터 민감도로만 다루고, “어떤 URDF 버전·출처를 썼는가”와 “실기 관절 범위와 대조했는가”는 적지 않는다. 코드 README를 보면 문제가 한 겹 더 있다. 손가락 capsule은 URDF 충돌 메시가 아니라 관절 트리에서 절차적으로 만들고, 손끝 길이(tip length)·접촉 링크·엄지/검지 지정을 손마다 설정 파일로 손수 넣으며, README는 손끝 길이를 잘못 넣으면 에러 대신 아주 작은 점수가 나온다고 경고한다[저자, README]. 이 손 설정 단계는 논문 본문에는 나오지 않는다. “URDF 하나로 계산되는 객관적 점수”라는 표현보다 사람의 판단이 더 많이 들어간다.
• 손끝 기하를 버린 rolling 지표. 모든 링크는 고정 반지름 capsule이다. 논문도 “손끝 기하·마찰·제어를 포함한 완성된 손이 아니라 기구학 구조를 비교한다”고 범위를 긋는다. 문제는 rolling 운동학에서 접촉 표면의 곡률이 곧 이동성이라는 점이다. 같은 Montana 운동학을 쓴 In-Hand Physics Priors 리뷰의 논문은, Allegro 손에서 정책을 고정한 채 손끝 모양만 바꿔 끼우는 비교를 했는데, 4개 손바닥 기울기 평균 성공률이 aligned 손끝 83% 대 나머지 세 모양 43~53%로 갈렸다. capsule 반지름 ±5% 섭동에 둔감하다는 Table III의 결과는 같은 모양 안에서의 흔들림일 뿐, 모양의 종류(원통·구·이방성 곡률)에 대한 둔감함을 뜻하지 않는다. LEAP의 두툼한 손끝 패드 같은 설계 요소는 KaRMA에서 보이지 않는다.
• L_\mathrm{ref} 정규화는 절대 크기를 지운다. 구 반지름·voxel이 손 크기에 비례하므로, D’Claw(L_\mathrm{ref} 327 mm)는 약 16 mm 구를, Dex3(155 mm)는 약 8 mm 구를 굴린다(필자 계산: 10\,\text{mm}\times L_\mathrm{ref}/200). 크기 불변성은 설계상 원한 성질이지만, “지름 10 mm 부품을 조립할 손을 산다”는 구매 질문에는 절대 크기 점수가 필요하다. 또 L_\mathrm{ref} 정의(knuckle 최대 간격 + 손가락 길이 중앙값)가 엄지–검지만의 knuckle을 쓰는지 모든 손가락을 쓰는지 본문이 명확하지 않고, 이 정의를 바꿨을 때 순위가 어떻게 되는지에 대한 ablation은 없다. D’Claw처럼 손가락 간격이 넓은 비인간형 손에서 이 선택의 영향이 가장 클 것이다.
• 하위권 순위는 잡음 수준이다. Inspire 4, SVH 3, Ability 3 voxel(Table V 최선 voxel)이면 1 voxel이 25~33%다. 논문은 이 손들의 KaRMA-S를 생략하지만 T·R 순위는 그대로 매기고, 그 순위를 DexMachina 일치의 근거로 쓴다. 코드 README는 다른 머신에서 손당 “voxel 한두 개” 차이를 예상하라고 적는다[저자, README]. Sharpa·Wuji(0.034 동점)나 xHand1·OrcaHand(0.003 동점)처럼 상위·중위권에도 사실상 동점이 있다. 순위에 신뢰구간(예: 시드 부트스트랩)을 붙였어야 한다.
• Jacobian 계열과의 비교는 다소 허수아비에 가깝다. Yoshikawa 조작성은 Jacobian 행렬식 기반이라 차원과 단위가 DOF에 따라 달라지고, Table I에서 Inspire 1.55e-3 vs 다른 손 1e-8 수준처럼 자릿수 네 개가 벌어진다. 원래 한 매니퓰레이터의 자세 비교용이지 서로 다른 손 사이의 비교용이 아니다. “Jacobian 계열은 상관이 없다”는 결과는 KaRMA의 강점이라기보다 그 지표들을 목적 밖에서 쓴 결과에 가깝다. 진짜 경쟁 상대는 opposability와 총 관절 범위이고, 그 둘과의 대비는 논문이 잘 해냈다.
• “1/3 천장”이 기구학의 한계인지 탐색의 한계인지 분리되지 않았다. 최고 voxel도 35.5%라는 결과로 저자들은 “고정 파지 재배향은 제한적”이라는 결론을 끌어낸다. 하지만 회전은 voxel마다 4개 프리미티브, 선형화 QP, 약 10° bin, 미끄럼 게이트 아래에서 탐색된다. 병진 BFS와 달리 회전 탐색의 예산이 묶였는지, 병진과 회전을 섞은 경로로 더 도달할 수 있는지는 보고되지 않았다. 천장 값을 해석하려면 탐색을 조밀하게 했을 때의 수렴 곡선이 필요하다.
• 보고되지 않은 핵심 파라미터. 미끄럼 게이트 값(“팔꿈치에 둠”), \epsilon_g, \epsilon_\mathrm{col}, \Delta q_\max, \lambda_\theta, \lambda_r, capsule 반지름 r_\ell의 수치가 본문에 없다. floor 손의 점수가 게이트에 직접 걸려 있으므로(Table V에서 게이트에 닿은 스텝 비율이 floor 손은 0.18~0.42), 게이트 값은 하위권 순위의 결정 변수다. 코드가 공개돼 있어 확인은 가능하지만 논문만으로는 재현할 수 없다.
• 범위의 한계는 저자도 인정한다. 두 손가락 핀치만, 구만, 재파지 없이, 기구학만. Shadow처럼 엄지–검지 밖의 자유도가 많은 손은 그 대부분이 점수에 들어가지 않는다(표의 “9 DOF”는 엄지+검지 기준이다). 결론 절이 여러 손가락 파지, 비구형 물체, 동역학 feasibility(토크 한계, 마찰 불확실성) 확장을 향후 과제로 적은 것도 이 범위를 인식한 결과다.

관련 연구와의 자리 매김

KaRMA는 두 전통의 교차점에 있다. 하나는 손 설계 지표의 계보다. Kerr & Roth의 손가락 작업공간, Mouri 등의 엄지–손가락 교집합(Gifu Hand III), You 등의 다손가락 교집합으로 이어진 부피 기반 지표는 “어디서 핀치가 가능한가”까지 답한다. KaRMA는 거기에 “그 핀치를 유지한 채 어디까지 이어 갈 수 있는가”를 더한다. 실험 결과도 이 관계를 그대로 보여 준다. 교집합은 좋은 1차 필터이고(\rho_s=0.93), KaRMA는 그 위에 접촉 일관성 필터를 얹는다.

다른 하나는 rolling 접촉 운동학의 계보다. Montana의 접촉 운동학, Bicchi의 rolling 조작과 nonholonomy를 이용하는 dexterous gripper, 그리고 최근의 궤적 최적화·조작 그래프 연구는 이 운동학을 동작을 만드는 데 썼다. KaRMA는 같은 운동학을 손을 평가하는 데 쓴다. 이 블로그의 In-Hand Physics Priors 리뷰가 같은 Montana 운동학에서 손끝 곡률을 설계 변수로 끌어냈다면, KaRMA는 곡률을 고정해 두고 관절 배치와 한계를 비교 변수로 삼는다. 두 연구는 서로의 사각을 채운다. 손끝 기하를 KaRMA에 넣으면(capsule 대신 실제 손끝 곡면) 그 논문이 실기에서 보인 효과를 설계 단계에서 예측할 수 있는지 시험할 수 있다.

과제 벤치마크(Elliott–Connolly, Asterisk Test, Adroit, 그리고 DexMachina의 여러 손 벤치마크)와는 상보 관계다. 벤치마크는 시스템 전체의 성능을, KaRMA는 기구학이 허락하는 상한 중 한 단면을 잰다. 저자들도 KaRMA를 벤치마크의 대체가 아니라 보완으로 제안한다. 하드웨어 설계 논문 쪽에서 보면, Koala Gripper 리뷰에서 보았듯 새 손·그리퍼 논문은 파지·조작 능력을 정성 갤러리와 시연으로 보여 주는 데 그치는 경우가 있다. URDF만 있으면 계산되는 KaRMA 같은 척도가 그 빈자리를 채우는 방향은 설득력이 있다. 다만 두 손가락 이상의 파지 형태가 핵심인 설계에는 아직 적용할 수 없다.

요약

KaRMA는 로봇 손의 손재주를 “엄지와 검지로 작은 구를 잡은 채 굴려서 도달할 수 있는 위치와 방향의 집합”으로 조작화한 기구학 전용 지표다. 관절 한계·충돌·rolling 접촉·antipodal 마찰을 모두 강제하는 QP 기반 BFS로 병진(T)·회전(R)·초기 파지 민감도(S)를 계산하고, CPU에서 몇 분이면 끝나며 결정론적이다. 16개 손 실험이 보여 준 것은 세 가지다. 작업공간 교집합이 좋은 1차 대리지표이지만 25%의 손 순위를 틀린다. 관절 한계가 제약 없는 작업공간의 58~99%를 잘라내는 지배 요인이다. 병진이 좋은 손과 회전이 좋은 손은 다르다(LEAP vs Allegro).

한계는 뚜렷하다. 과제 성능과의 연결은 선별된 세 건의 정성적 일치뿐이고, 그중 하나는 1~2 bin 차이와 미끄럼 영역에 기대고 있다. 점수의 지배 변수인 관절 한계와 손마다 넣는 capsule 설정이 URDF와 사람의 판단에 달려 있다. 손끝 기하를 버렸고, 크기 정규화 때문에 절대 크기 질문에는 답하지 못한다. 그래도 “관절이 몇 개냐”로 손을 고르던 관행에 재현 가능한 공통 척도를 제안하고, 그 척도가 왜 대리지표와 다른지를 제약별로 분해해 보여 준 점에서 가치가 있다. 다음 단계는 여러 손가락 파지와 실제 손끝 곡면으로의 확장, 그리고 무엇보다 같은 과제를 여러 손에서 돌려 KaRMA 순위와의 정량적 상관을 보이는 일이다.