Part III: 우리의 제안

Chapter 7: TacGlove — 신축형 촉각 데이터 글러브

집필일: 2026-04-09 최종수정일: 2026-04-09

요약

TacGlove [#26]는 Park et al.[1] [#6]의 stretchable eGaIn 글러브를 3손가락에서 5손가락으로 확장하고, OSMO [#18] 방식의 3축 자기 촉각 센서 8개를 손가락끝 5개 + 손바닥 3개에 배치하여, 관절각과 촉각을 동시에 측정하는 최초의 신축형 데이터글러브이다. 박용래 교수님 연구실(SNU)에서 개발하며, 기존 데이터글러브들이 관절각 전용 또는 촉각 전용으로 분리되어 있던 gap을 하나의 디바이스로 해소한다.

7.1 도입: 관절+촉각 통합 글러브의 필요성

Part I과 Part II의 서베이에서 반복적으로 확인된 핵심 하드웨어 gap은 관절각과 촉각을 동시에 측정하는 통합 파이프라인의 부재이다 (Chapter 2, Chapter 3).

  • 관절각만 측정하는 글러브는 접촉 힘 정보가 없어 contact-rich 태스크에서 한계가 있다.
  • 촉각만 측정하는 글러브는 별도의 외골격이나 카메라 기반 시스템이 필요하여 착용성과 확장성이 제한된다.
  • 두 모달리티를 하나의 신축형(stretchable) 디바이스에 통합한 시스템은 사실상 존재하지 않는다.

이 gap이 TacGlove의 출발점이다. TacGlove는 관절각 + 촉각을 동시에 수집하는 하드웨어를 제공하여, TacTeleOp(Chapter 8)의 대규모 데이터 수집과 TacPlay [#27](Chapter 9)의 자율 학습을 가능하게 하는 물리적 기반이다.

7.2 기존 데이터글러브 서베이

기존 데이터글러브는 세 범주로 나뉜다: 관절각 전용, 촉각 전용, 관절각+촉각 통합.

관절각 전용

  • Park et al.[1] [#6]: 9개 eGaIn 변형 센서로 3손가락의 관절각과 뼈 길이를 측정. Nature Communications 게재. 관절각 오차 4.16도, 뼈 길이 오차 2.1mm. 신축형(stretchable) 소재의 유일한 연구용 글러브이나, 촉각 센서 없음, 3손가락만 지원.
  • DOGlove [4]: 21-DoF 관절각 측정 + 힘 피드백(feedback). $600 미만. 촉각 센싱이 아닌 피드백만 제공.
  • TAG [5]: 21-DoF 관절각 + 햅틱 피드백. $500 미만. DOGlove와 동일하게 피드백 전용.
  • 상용 (Manus, SenseGlove, HaptX): 관절 측정 + 힘 피드백. 촉각 센싱 기능 없음.

촉각 전용

  • OSMO [2] [#18]: 12개 3축 자기 촉각 센서. 관절각 측정 없음 — 별도의 Manus 글러브 필요. Embodiment Bridge 개념으로 인간/로봇 공용 장착 가능.
  • ViTaM [Nature Comms, 2024]: 1,152 채널 압력 센서. 관절각은 외부 카메라로 추정. Self-contained하지 않음.
  • STAG [MIT, Nature 2019]: 548개 촉각 센서. 76% 물체 식별 정확도. 관절각 측정 없음.

관절각+촉각 통합

  • Zhu et al. [PKU, Engineering 2023]: 15개 IMU + 14개 Velostat 힘 택셀. 5손가락. 관절각과 촉각을 동시에 측정하는 유일한 기존 시스템. 그러나 Velostat는 binary/sparse하며(전단력 불가), 해상도가 낮고(14 taxel), end-to-end 로봇 정책 학습에 사용된 바 없다.

데이터 수집 프레임워크

  • DexCap [8]: 자석 기반 3D 손 추적과 SLAM 기반 위치 추정을 결합한 데이터 수집 프레임워크이다. LEAP Hand로의 리타겟팅 품질을 실증했으나, 촉각 센서가 없고 3D 프린팅 외골격의 변형 문제가 한계이다.
  • Skill Capture Glove [13] [#29]: 로봇 손과 '정확히 동일한 기하와 센서 레이아웃'으로 공동 설계된 웨어러블 데이터 글러브이다. 2,000개 이상 배포하여 1,000만+ 에피소드를 수집했으며, Skill Transform(90% 변환 성공률)으로 인간 데이터를 로봇 데이터로 변환한다. 핵심 한계: gripper 형태(2-DoF)에 한정, 촉각 센서 미포함, proprietary(재현 불가).

비교표

시스템 관절각 촉각 손가락 센서 타입 로봇 학습 핵심 한계
Park et al.[1] 9 eGaIn 없음 3 Strain gauge 미검증 촉각 없음, 3손가락
Zhu et al. [3] 15 IMU 14 taxel 5 Velostat 미사용 Binary, 저해상도, 전단력 불가
OSMO[2] 없음 12 (3축) 5 자기 센서 사용 관절각 없음, Manus 별도
DOGlove[4] 21-DoF 피드백만 5 홀 센서 사용 센싱 아닌 피드백
TAG [5] 21-DoF 피드백만 5 - 사용 센싱 아닌 피드백
ViTaM[7] 없음 1,152ch 5 압력 센서 미사용 외부 카메라 필요
Skill Capture Glove[4] Prop. 없음 2-DoF gripper 자기 센서 사용 (1,000만+) proprietary, gripper 한정
TacGlove 15 eGaIn 8 (3축) 5 eGaIn + 자기 목표 개발 중

이 표가 보여주는 메시지는 명확하다: 관절각과 다축 촉각을 하나의 신축형 글러브에 통합한 시스템은 존재하지 않는다.

7.3 기존 글러브의 한계점

기존 글러브들의 한계를 세 가지로 체계화한다:

한계 1 — 관절각+촉각 통합 부재. Zhu et al. [3]만이 두 모달리티를 통합하지만, 14개 binary taxel은 3축 힘 측정이 불가능하고, 로봇 정책 학습에 사용된 적 없다. OSMO는 촉각은 우수하나 관절각이 없어 별도의 Manus 글러브가 필요하다. 이 분리된 구조는 시간 동기화 오차, 착용 불편, 확장성 제한의 원인이 된다.

한계 2 — Stretchable 소재 부재. OSMO, DOGlove, 상용 글러브 모두 rigid 또는 semi-rigid 구조이다. Rigid 글러브는 자연스러운 손 동작을 방해하고, DexUMI의 3D-printed exoskeleton이 보인 것처럼 (Chapter 2) 변형과 미끄러짐 문제가 발생한다. Park et al.[1]만이 eGaIn 기반 신축형 소재를 사용한다.

한계 3 — 산업 현장 내구성 미검증. 40편 이상의 관련 논문 중 실제 공장 환경에서 검증된 글러브는 0편이다 (Chapter 1). 8시간 연속 착용, 세척, 교대 교체에 대한 내구성 데이터가 없다.

7.4 TacGlove 설계

TacGlove는 Park et al.[1]의 eGaIn 글러브를 두 방향으로 확장한다.

설계 원칙

Chapter 2와 3의 분석에서 도출된 설계 원칙:

원칙 근거 설계 결정
Stretchable DexUMI 3D-printed exo 변형 문제 회피 (Chapter 2) eGaIn 실리콘 기반
3축 자기 센서 전단력 측정 필수 + OSMO Embodiment Bridge (Chapter 3) BMM350 자력계
8개 센서, whole-hand 넓은 커버리지 > 높은 해상도 (Ye et al., Chapter 3) 손가락 5 + 손바닥 3
인간/로봇 공용 OSMO Embodiment Bridge (Chapter 6) 동일 글러브 양쪽 장착
공장 내구성 세척 가능, 교대 교체, 8시간 연속 (Chapter 1) 실리콘 외피 + 모듈 센서
저비용 AirExo $600 경쟁력 (Chapter 2) <$1,000/글러브 목표

Park et al.[1]에서 TacGlove로

확장 1 — 5손가락: 약지와 소지를 추가하여 whole-hand 커버리지 확보. Park et al. 글러브의 eGaIn 센서 배치 패턴을 약지/소지에 반복 적용한다. 센서 수는 9개에서 약 15개로 선형 증가하며, 구조적 재설계가 아닌 기존 제조 공정의 연장선이다.

확장 2 — 촉각 센서 추가: OSMO 방식의 3축 자기 촉각 센서 8개를 추가한다. 배치: 각 손가락 끝 5개 + 손바닥 3섹션(엄지구 thenar, 소지구 hypothenar, 중앙 central). OSMO의 12센서 배치에서 손바닥 측을 줄인 형태로, 손가락 끝의 접촉 정보를 우선한다. 이 5+3 배치는 [14]의 정량 분석과 부합한다 — DRL 기반 in-hand reorientation에서 손바닥(upper-palm) 위치의 촉각 기여도가 손끝 distal phalanges와 사실상 동등(27.87 vs 28.21 consecutive successes)했으며, 소형 객체에서는 손바닥 위치 다섯 군데를 모두 사용한 구성이 최고 점수를 기록했다. TacGlove가 타겟하는 산업 태스크(화장품 소형 용기, 조립용 소형 부품)에서 손바닥 thenar/hypothenar/central 3섹션은 "보조 표면"이 아니라 지배적 센싱 지점이다.

손바닥 센서의 발전 경로는 하드웨어 변종 스펙트럼 위에서 이해할 수 있다 — passive compliant palm(ROMEO [15])에서 고밀도 시각 촉각(TacPalm SoftHand [16])으로, 더 나아가 actuated palm([17]의 종합 리뷰가 taxonomy를 제공)까지의 연속선이 존재한다. TacGlove는 이 스펙트럼에서 "사람이 상시 착용 가능하면서 인간-로봇 센싱 공간을 공유하는" 좌표를 점유하며, 자매 연구 방향인 TacPlay(Chapter 9)·TacTeleOp(Chapter 8)가 이 좌표를 활용한다.

비교 항목 Park et al.[1] OSMO TacGlove
손가락 수 3 5 5
관절 센서 9 eGaIn - ~15 eGaIn
촉각 센서 0 12 (3축) 8 (3축)
촉각 채널 0 36 24
Stretchable Yes No (rigid) Yes
인간/로봇 공용 No Yes Yes
공장 내구성 미검증 미검증 설계 목표

스마트글래스 시간 동기화

TacGlove는 헤드밴드 웹캠 또는 스마트글래스와 시간 동기화되어, 관절각 + 촉각 + egocentric RGB를 동시에 기록한다. 데이터 스키마:


{
  timestamp: float64,         // 밀리초 정밀도
  hand_joints: float32[15],   // MANO 호환 관절각
  tactile: float32[8][3],     // 8센서 × 3축 힘
  egocentric_rgb: uint8[H][W][3],  // 30Hz
  head_pose: float32[6]       // 6-DoF
}

MANO 호환 관절각은 EgoVLA [10]의 unified action space 및 EgoDex [11]의 per-finger tracking과 직접 호환되어, 기존 pretrained 모델의 활용이 가능하다.

7.5 데이터 유용성 입증 방안

TacGlove는 하드웨어 논문이다. 하드웨어의 유용성을 어떻게 입증할 것인가? 기존 글러브들의 입증 전략을 난이도순으로 분석하고, TacGlove에 적합한 3단계 전략을 제안한다.

기존 글러브들의 유용성 입증 사례

입증 수준 논문 방법 핵심 지표
센서 정확도 Park et al.[1] 관절각/뼈 길이 오차 측정 4.16도, 2.1mm
물체/파지 분류 STAG [MIT, 2019] 548 센서로 물체 식별 76% 정확도
리타게팅 정확도 DexCap [RSS 2024] LEAP Hand 리타게팅 품질 관절 RMSE
데이터 품질 비교 OSMO[2] 촉각 유무 ablation 72% vs 56% (+16%p)
Sim 정책 학습 VTDexManip [ICLR 2025] 모달리티별 ablation +20%/모달리티

Park et al.[1]이 Nature Communications에 센서 정확도 지표만으로 게재된 것은, 하드웨어 논문의 경우 센서 자체의 정밀도와 신뢰성이 충분한 contribution이 될 수 있음을 보여준다.

추천 3단계 시연 전략

1단계: 센서 정확도 벤치마크 (Month 1-2). Park et al.[1] 수준의 정량 평가. 목표: 관절각 오차 <5도, 촉각 분류 정확도 >95%. 5손가락으로의 확장이 기존 3손가락 정확도를 유지하는지, 촉각 센서의 3축 해상도가 Zhu et al. [3]의 binary Velostat 대비 유의미하게 우수한지를 입증한다.

2단계: 화장품 태스크 데이터셋 수집 + 파지/태스크 분류 (Month 2-4). 헤드밴드 웹캠 + TacGlove로 화장품 수작업 공정 데이터를 수집한다. 3-5명의 작업자가 10개 이상의 태스크(캡핑, 라벨 부착, 조립 포장 등)를 수행. 수집된 데이터로 파지 유형 분류, 태스크 분류 정확도를 보고한다. STAG의 76% 물체 식별을 참조점으로, TacGlove가 관절각+촉각 결합으로 더 높은 분류 정확도를 달성함을 보인다.

3단계: 시각 vs 촉각 비교 — 카메라로 보이지 않는 정보 (Month 3-5). 이 단계가 TacGlove의 가장 설득력 있는 시연이다. 캡핑 태스크에서 토크/힘 변화가 카메라 영상에는 보이지 않지만 촉각 신호에는 명확히 포착됨을 시각적으로 보여준다. 예: 캡을 덜 조인 경우 vs 적절히 조인 경우, egocentric RGB에서는 구분이 불가능하나 촉각 시계열에서는 토크 프로파일이 명확히 다르다.

핵심 메시지: "TacGlove는 관절 각도와 접촉 힘을 동시에 측정하는 최초의 신축형 글러브이며, 수집된 촉각 신호에 시각으로 포착할 수 없는 태스크 판별 정보가 포함되어 있음을 입증한다."

7.6 OSMO 대비 하드웨어 차별화

TacGlove와 OSMO의 하드웨어 차이는 세 가지이다:

1. Stretchable vs Rigid. OSMO는 rigid 구조이다. TacGlove는 Park et al.[1]의 eGaIn 실리콘 기반 신축형 소재를 사용하여, 자연스러운 손 동작을 방해하지 않는다. 이는 장시간 착용(8시간/교대)과 자연스러운 시연 데이터 수집에 필수적이다.

2. 관절각 통합. OSMO는 촉각 전용이며, 관절각 측정을 위해 별도의 Manus 글러브가 필요하다. TacGlove는 eGaIn 변형 센서로 관절각을 자체 측정하므로 단일 디바이스에서 두 모달리티를 동시에 수집한다. 이는 시간 동기화 오차를 제거하고, 착용 편의성을 높이며, 시스템 복잡도를 줄인다.

3. 공장 내구성 설계. OSMO는 실험실 환경을 전제로 설계되었다. TacGlove는 공장 환경(세척, 교대 교체, 진동, 오염)을 고려하여 실리콘 외피와 모듈식 센서 교체를 설계 목표로 한다. 이는 TacTeleOp(Chapter 8)의 800시간 대규모 수집을 가능하게 하는 전제 조건이다.

4. Skill Capture Glove 대비 차별화. Skill Capture Glove는 하드웨어 co-design으로 기구학 gap을 원천 제거하는 가장 공격적 접근이지만, gripper 형태에 국한되며 촉각을 포함하지 않는다. TacGlove는 이와 반대 전략을 취한다: dexterous 5손가락 형태에 분산 촉각(24채널)을 통합하여, contact-rich 태스크에서 Skill Capture Glove가 도달하지 못하는 영역을 목표로 한다.

7.7 한계와 열린 질문

  1. 3손가락→5손가락 확장의 실현 시간. 하드웨어 개발은 소프트웨어보다 느리다. Park et al.[1]의 3손가락 프로토타입에서 5손가락으로의 확장은 센서 배치의 선형 증가이지만, 배선 복잡도와 제조 수율에서 예상치 못한 문제가 발생할 수 있다. 3손가락 프로토타입으로 먼저 파일럿을 진행하고, 5손가락은 후속으로 확장하는 것이 현실적이다.
  1. 자기 센서의 공장 환경 간섭. OSMO의 3축 자기 센서는 MuMetal 차폐를 사용하지만, 모터와 전자기 장비가 밀집한 공장 환경에서의 간섭 정도는 사전 측정이 필요하다. 간섭이 심각할 경우, 캘리브레이션 프로토콜이나 대안 센서 타입을 검토해야 한다.
  1. 글러브 내구성과 수명. eGaIn 센서는 수천 회 변형에서 안정적이라는 Park et al.[1]의 보고가 있으나, 8시간 × 20일의 산업 환경 연속 사용에 대한 데이터는 없다. 센서 드리프트, 실리콘 피로, 배선 단선 등의 장기 안정성 검증이 필요하다.

참고문헌

  1. Park, M., & Park, Y.-L. et al. (2024). Stretchable Glove for Hand Motion Estimation. Nature Communications. https://www.nature.com/articles/s41467-024-50101-w #6 scholar
  2. Yin, J., et al. (2025). OSMO: A Large-Scale Tactile Glove. arXiv. https://arxiv.org/abs/2512.08920 #18 scholar
  3. Zhu, Z., et al. (2023). A Soft Robotic Glove with Integrated Sensing and Haptic Feedback. Engineering. https://doi.org/10.1016/j.eng.2023.01.011 scholar
  4. Ding, Z., et al. (2025). DOGlove: Dexterous Manipulation with a Low-Cost Open-Source Glove. RSS 2025. scholar
  5. Shanghai AI Lab (2026). TAG: Teleoperation Accessible Glove. arXiv. scholar
  6. Sundaram, S., et al. (2019). Learning the Signatures of the Human Grasp Using a Scalable Tactile Glove. Nature. (STAG) scholar
  7. Han, S., et al. (2024). ViTaM: A High-Resolution Vision-Based Tactile Sensor. Nature Communications. scholar
  8. Chi, C., et al. (2024). DexCap: Scalable and Portable Dexterous Manipulation Data Collection. RSS 2024. scholar
  9. Liu, Q., et al. (2025). VTDexManip: Visual-Tactile Dataset for Dexterous Manipulation. ICLR 2025. scholar
  10. Yang, R., et al. (2025). EgoVLA: Egocentric VLA with MANO. arXiv. scholar
  11. Hoque, M., et al. (2025). EgoDex: Learning Dexterous Manipulation from Egocentric Video. arXiv. scholar
  12. Xu, M., et al. (2025). DexUMI: Universal Manipulation Interface. arXiv. #8 scholar
  13. Sunday Robotics (2025). ACT-1: Skill Capture Glove & Skill Transform. #29 scholar
  14. Almeida, J. D., Falotico, E., Laschi, C., & Santos-Victor, J. (2025). The Role of Touch: Towards Optimal Tactile Sensing Distribution in Anthropomorphic Hands for Dexterous In-Hand Manipulation. IEEE ICNSC 2025. https://arxiv.org/abs/2509.14984 #41 scholar
  15. Liu, S. Q., & Adelson, E. H. (2024). A Passively Bendable, Compliant Tactile Palm with RObotic Modular Endoskeleton Optical (ROMEO) Fingers. ICRA 2024. https://arxiv.org/abs/2404.08227 scholar
  16. Zhang, N., Ren, J., Dong, Y., Gu, G., & Zhu, X. (2025). Soft Robotic Hand with Tactile Palm-Finger Coordination (TacPalm SoftHand). Nature Communications 16:2395. https://doi.org/10.1038/s41467-025-57741-6 #40 scholar
  17. Pozzi, M., Malvezzi, M., Prattichizzo, D., & Salvietti, G. (2024). Actuated Palms for Soft Robotic Hands: Review and Perspectives. IEEE/ASME Transactions on Mechatronics, 29(2):902–921. scholar