피지컬 AI 데이터 플랫폼 - RoboGo

적외선과 자연광을 결합한 듀얼 라이프 퓨전 라벨링 기술은 기존의 단일 스펙트럼 방식이 갖고 있던 한계를 극복하여, 복잡한 환경에서도 완전하고 정확한 데이터 라벨링을 보장합니다.

뎁스 카메라(Depth camera)와 다각도 이미지 융합(Multi-view image fusion) 기술을 통해 정밀 3D 포인트 클라우드 어노테이션과 시맨틱 맵 어노테이션을 생성합니다. 이를 통해 피지컬 AI는 공간을 구조적으로 인지하고, 거리 계산·장애물 회피·환경 상호작용 능력을 한층 강화할 수 있습니다.

동영상 어노테이션 기술을 활용해 장면의 공간 정보, 행동 의도, 다중 객체 간 상호작용을 시간적 맥락까지 반영한 구조화 데이터로 변환할 수 있습니다. 예를 들어, "사람이 마커를 집어 들고 화이트보드로 이동한다"라는 다중 객체 간의 상호 작용은 객체의 행동과 시간 관계까지 어노테이션 작업을 할 수 있습니다. 이를 통해 임베디드 에이전트/인텔리전스(Embodied Agents/intelligence)는 장면을 이해하고 행동을 예측하며 실시간으로 의사결정을 내립니다.

중력, 마찰, 충돌 등 현실의 물리 법칙과 결합하여, ‘굴러가는 공’의 동적 라벨링이나 ‘가려진 물체 인식’의 공간 관계 라벨링과 같이 체화된 지능에 필요한 인과적 라벨링을 구축할 수 있습니다. 이를 기반으로 피지컬 AI는 실제 물리 세계의 원리를 학습하고 적용할 수 있습니다.

교차 시공간 정렬 어노테이션(Cross-perspective spatiotemporal alignment annotation)을 통해 로봇 팔이 동적 환경에서 작동할 수 있는 3D 운영 지식 기반을 구축합니다. 이 접근법은 시각적 가림 현상이나 손-눈 협응 문제를 극복하여, 로봇 작업에서 밀리미터 단위의 정밀 제어를 가능하게 합니다.

멀티모달 생각의 사슬(Multimodal chain-of-thought) 어노테이션 기술을 활용하여, 임베디드 에이전트(Embodied agents)의 환경 상태 기억 및 행동 순서 계획을 구조화합니다. 예를 들어, "당근 찾기 → 서랍 열기 → 당근 식별 → 당근 잡기"와 같은 멀티모달 생각의 사슬 어노테이션을 활용하면 임베디드 에이전트가 해석 가능한 과제 분해 능력을 갖추게 되어, 인과 추론 및 복잡한 장기 목표 실행이 가능해집니다.