로봇 학습 스타트업 기술 스택: 2025 년 주요 결정
로봇 스타트업에 대한 기술 결정 <unk> ROS2 vs 사용자 지정 미들웨어, 시뮬레이션 선택, 클라우드 vs 엣지 추론 및 데이터 플랫폼 전략.
[← 블로그]
다음 3년간 여러분의 아키텍처를 제한할 4가지 인프라 결정과 각 조달 단계에서 어떻게 제대로 처리할 것인가
결정 1: ROS2 vs. 사용자 지정 중소용
이것은 모든 로봇 스타트업들이 토론하는 질문입니다. 과잉 엔지니어링으로 인해 대부분의 사람들이 틀리게 됩니다. ROS2는 더 빨리 실행되는 로봇을 제공하며, 운전자와 도구의 큰 생태계에 접근할 수 있게 하고, 고용을 더 쉽게 합니다. 대부분의 로봇 엔지니어들은 ROS2를 알고 있습니다. 퍼브/잠재 아키텍처는 멀티 노드 시스템의 복잡성을 처리하고 MoveIt2, Nav2 및 ros2_control 같은 패키지가 처음부터 구현하는 데 몇 달이 걸릴 수있는 문제를 처리합니다.
사용자 정의 미들웨어는 2가지 진정한 장점을 제공합니다. 5ms 이하의 지연 (ROS2의 DDS 오버헤드가 거의 불가능합니다) 및 상업적 배포 모델이 수정된 미들웨어 레이어를 재배포하는 경우 라이선스 문제로부터 자유. 또한 사용자 정의 미들웨어가 스택을 완전히 소유할 때 디버깅하기가 더 쉽다는 진정한 주장도 있습니다.
실용적인 규칙은: 실제 지연 제한을 입증한 배송 제품으로 B 시리즈 또는 후기에 없는 한 ROS2를 사용하십시오. 미들웨어의 조기 최적화는 로봇 스타트업에서 가장 비싼 실수 중 하나입니다. 6개월 동안 DDS를 재건하는 기회 비용은 초기 단계에서 엄청납니다. 만약 늦은 시간이 나중에 진짜 한계로 변한다면, ROS2 인터페이스를 유지하면서 항상 운송 계층을 교체할 수 있습니다.
ROS2 DDS 공급자 선택
ROS2를 선택하면 DDS 공급자는 대부분의 팀이 인식하는 것보다 더 중요합니다. 기본 CycloneDDS는 대부분의 응용 프로그램에 대한 확실한 선택입니다. FastDDS ( 이전 기본) 는 큰 멀티 머신 설정에서 더 나은 발견을하지만 더 높은 메모리 오버헤드를 가지고 있습니다. 실시간 제어 루프에 대해, CycloneDDS는 iceoryx 공유 메모리 운송 (허로 복사) 를 통해 표준 DDS를 내 루프 제어에 너무 느리게 만드는 일련화 오버헤드를 제거합니다.
RCSV 지원 스타트업에서 일반적인 패턴은: 모든 비 실시간 노드 (감시, 계획, 로그) 에 CycloneDDS를 실행하고, 정책 추론 노드와 모터 컨트롤러 사이의 500Hz+ 내부 제어 루프에 대한 가벼운 사용자 지정 운송 (자료 UDP 또는 공유 메모리) 를 사용합니다. 이 하이브리드 접근법은 ROS2 생태계의 95%를 제공해줍니다.
# Example: ROS2 + zero-copy shared memory via iceoryx
# In your ros2 workspace, set the middleware:
export RMW_IMPLEMENTATION=rmw_cyclonedds_cpp
# cyclonedds.xml -- enable iceoryx shared memory transport
# <CycloneDDS>
# <Domain>
# <SharedMemory>
# <Enable>true</Enable>
# <LogLevel>warning</LogLevel>
# </SharedMemory>
# </Domain>
# </CycloneDDS>
export CYCLONEDDS_URI=file://$(pwd)/cyclonedds.xml
결정 2: 시뮬레이션 플랫폼
시뮬레이션 선택은 수년 동안 여러분의 훈련 루프를 형성합니다. 2026년에 네 개의 플랫폼이 지배합니다. 각각 다른 이유로:
| Simulator | Parallel Envs | Contact Physics | License | Best For | GPU Required |
|---|---|---|---|---|---|
| Isaac Lab | 4,096+ on A100 | Adequate | MIT (BSD-3 for Sim) | GPU-parallel RL, locomotion | Yes (RTX 3090+) |
| MuJoCo | ~1,000 (MJX on GPU) | Excellent | Apache 2.0 | Contact-rich manipulation, dexterous hands | No (CPU OK; GPU for MJX) |
| Genesis | 10,000+ on A100 | Good (MPM for soft body) | Apache 2.0 | Soft body, deformables, fluids | Yes |
| Gazebo (Ignition) | 1-10 (CPU only) | Adequate | Apache 2.0 | ROS2 integration testing, sensor sim | No |
NVIDIA 아이작 랩: GPU 가 가속화된 RL 훈련이 가장 좋은 경우입니다. 단일 A100에 4,096+ 평행 환경, 밀접한 아이작 시మ్ 통합, MIT 라이선스, Unitree G1 및 Franka를 포함한 성장하는 모델 동물원. 접촉 정확성에서 약합니다. 이동 및 픽플레이터에 좋습니다. 정밀 조립에 어려움을 겪습니다. PhysX 백엔드는 빠른 것이지만, 높은 시간 단계 크기의 침투를 허용할 수 있는 페널티 기반 접촉을 사용합니다.
MuJoCo: 일반 용도의 시뮬레이터에서 최고의 접촉 물리학. 높은 준수에서 안정적인 접촉 처리와 함께 제한 기반 동화. 현명한 손 연구, 접촉 풍부한 조작 또는 접촉 정확도가 병렬화보다 더 중요한 작업에 대해 선택하십시오. 이제 구글 인수 이후 Apache 2.0에서 무료입니다. MuJoCo XLA (MJX) 는 JAX를 통해 GPU 가속화를 가져오고, 1000개의 평행 환경을 달성합니다. 아이작 랩만큼은 빠르지는 않지만 대부분의 조작 RL에 충분합니다.
** 창세기:** 가장 새로운 참가자, 변형 가능한 물체, 액체 및 부드러운 몸을 포함하는 작업에 빠르게 채택됩니다. 창세기에는 부드러운 몸 물리학에 재료 포인트 방법 (MPM) 을 사용합니다. 이는 천체, 음식 및 인체 시뮬레이션을 위해 MuJoCo 및 아이작 연구소 모두보다 우월합니다. 창세기에는 식품 처리, 직물 조작 또는 수술 로봇 분야에서 작업하는 경우 심각한 평가를 받아야합니다. 고체 작업의 출력은 아이작 연구소보다 더 큽니다.
** 가제보 (불명):** 심도 있는 ROS2 통합이 어려운 요구 사항이라면만 선택하세요. 가제보는 공식적인 ROS2 시뮬레이터이며, 가장 긴밀한 도구 체인 통합을 가지고 있습니다. 물리학은 GPU 가속화된 대안보다 약하다. 탐색, 센서 시뮬레이션 및 통합 테스트에 용이합니다. CPU 전용 실행으로 인해 RL 훈련에 적합하지 않습니다.
정책 구조: ACT vs. 퍼포시전 정책 vs. OpenVLA
정책 구조 선택은 시뮬레이션 및 데이터 전략과 밀접하게 결합됩니다.
| Architecture | Paradigm | Data Needed | Inference Speed | Best For |
|---|---|---|---|---|
| ACT | IL (CVAE + Transformer) | 50-200 demos/task | ~5ms (fast) | Precise bimanual manipulation |
| Diffusion Policy | IL (DDPM denoising) | 100-500 demos/task | ~100-200ms (slow) | Multi-modal tasks, diverse strategies |
| OpenVLA / RT-2 | VLA (vision-language-action) | Fine-tune: 20-100 demos + pre-trained backbone | ~200-500ms (very slow) | Language-conditioned, multi-task |
| PPO/SAC (RL) | RL (reward-driven) | 0 demos (sim only) | ~1-5ms (very fast) | Locomotion, tasks with clear rewards |
** 실용적인 지침:** 당신이 원격 조작 데이터를 수집하고 빠른 반복이 필요한 경우 ACT를 시작하십시오. ACT는 단일 GPU에서 몇 시간 안에 열차하고 추론은 실시간 제어에 충분합니다. 만약 작업이 여러 가지 유효한 전략을 가지고 있다고 발견한다면 (예를 들어 왼쪽이나 오른편에서 접근) - ACT의 유모달 CVAE는 다모달 디스플레이와 싸우고, 디스포션 정책은 자연적으로 처리한다. 언어 조건화 (자연 언어 지침을 실행하는) 또는 사전 훈련된 기초 모델에서 정렬을 하는 경우에만 OpenVLA/RT-2를 사용한다. VLA (200-500ms) 의 추론 속도에서는 반응 시간이 비중이 없는 작업에 제한된다.
3번 결정: 클라우드 vs 엣지 인퍼런스
인퍼런스 지연은 모델이 실행되는 위치를 결정합니다. 약 150ms의 임계값은: 그 아래에서, 공동 위치 데이터 센터에서 클라우드 추론은 대부분의 응용 프로그램에 실행 가능합니다. 150ms 이상의 경우 텔레오퍼레이션에서 감지 가능한 지연을 도입하고 폐쇄 루프 조작 컨트롤러의 불안정을 유발합니다.
가장자리 계산: 현재 하드웨어 풍경
| Device | TOPS | Price | ACT Inference | Diffusion Policy | OpenVLA 7B |
|---|---|---|---|---|---|
| Jetson Orin Nano (8GB) | 40 | $249 | ~15ms | ~300ms | Not feasible |
| Jetson AGX Orin (64GB) | 275 | $1,999 | ~5ms | ~120ms | ~800ms (quantized) |
| Jetson Thor (expected 2025-26) | ~800 | ~$2,500 est. | ~2ms | ~40ms | ~200ms (feasible) |
클라우드 추론은 다음과 같이 의미있게 됩니다: 로봇 연결이 신뢰할 수 있습니다 (실장 또는 공장 바닥이 섬유로), 지연시간은 응용 프로그램에 따라 수용 가능하며, 모델 크기는 가장자리 하드웨어에서 사용할 수 있는 것을 초월합니다. 하이브리드 접근법은 잘 작동합니다. 장치에서 빠른 저 지연 반응 컨트롤러를 실행하고, 느린 계획과 cloud에 대한 인식을 해제합니다.
클라우드 교육: 비용 기준
교육 비용은 정책 구조와 데이터 세트의 크기에 따라 크게 달라진다. 2026년 1분기 기준 RCSV 교육의 실제 숫자는 다음과 같습니다:
- ACT ( 단일 작업, 200 개의 디모): ~ 8 시간 1x A100 (40GB) 에. 비용: ~ $ 16 람바다 클라우드 ($ 2 / 시간) ~ $ 24 AWS p4d 인스턴스.
- 방산 정책 ( 단일 작업, 500 개의 디모): ~ 1x A100에서 24 시간. 비용: ~ $ 48 Lambda에서. 3 카메라로 이미지 관측은 대략 3 배 훈련 시간과 저 차원 관측에 비해.
- OpenVLA 정교조 (7B, 100 데모): ~ 4x A100 (LoRA) 에서 12시간. 비용: ~ 96달러 (약 200달러) 로 Lambda에서. 전체 정교조는 8배 A100와 ~ 200달러 (약 200달러) 를 필요로 한다.
- PPO 로코모션 (Isaac Lab, 4096 envs): ~ 4 시간 1x RTX 4090에 소요됩니다.
4차 결정: 데이터 플랫폼 전략
데이터 인프라를 구축하는 것과 구매하는 결정은 보이는 것보다 더 간단합니다. 데이터 플랫폼을 구축하는 것은 데이터 도구가 주요 작업인 직원에 대한 헌신적인 ML 인프라 엔지니어가 있다면만 가능합니다. 도구도 유지하는 연구자가 아니라 헌신적인 인프라 엔지니어가 아닙니다. 그렇지 않으면 유지보수 부담은 가장 비싼 사람들에게 상당한 지속적인 세금으로 증가합니다.
데이터 플랫폼이 해야 할 일
필요한 핵심 기능은: 버전 설정과 함께 에피소드 저장, 빠른 검색을 위한 메타데이터 인덱싱, QA를 위한 시각화, 데이터 세트 분화 및 훈련 형식 (HDF5/Zarr/RLDS) 에 수출, 멀티 오퍼레이터 환경의 액세스 제어. 이것을 처음부터 구축하는 데 3-6 개월이 소요되며 지속적인 유지 보수가 필요합니다.
데이터셋 관리 도구 비교
| Tool | Type | Robot-Specific | Collection Tools | Training Integration |
|---|---|---|---|---|
| RCSV Platform | Managed service | Yes (teleop, annotation, QA) | Full (hardware + software) | HDF5/RLDS/LeRobot export |
| HuggingFace LeRobot | Open-source lib | Yes (robot datasets) | Recording scripts | ACT, DP, TDMPC built-in |
| Weights & Biases | Managed service | No (general ML) | Experiment tracking only | Any framework |
| DVC + MinIO | Open-source stack | No (general ML) | Version control only | Any framework |
모든 결정들을 이끌어내야 할 원칙은 다음과 같습니다. ** 인프라를 구입하고 차별화를 구축하세요.** 경쟁 우위를 가지는 것은 로봇 하드웨어, 작업 전문성, 정책 구조입니다. 에피소드 저장 시스템보다는. 그에 따라 엔지니어링 시간을 투자하세요.
[RCSV 플랫폼] (
단계별로 추천하는
| Stage | Middleware | Sim | Policy | Inference | Data Platform |
|---|---|---|---|---|---|
| Pre-seed / Seed | ROS2 Humble | MuJoCo or Isaac Lab | ACT (fast iteration) | Edge (Orin Nano) | RCSV or LeRobot |
| Series A | ROS2 + custom control | Isaac Lab + MuJoCo | Diffusion Policy or VLA fine-tune | Hybrid edge+cloud | RCSV or build if infra hire |
| Series B+ | Custom if proven need | Custom + one of above | Custom architecture | Custom serving (TRT) | Build if 2+ infra eng |
관련 독서
- [2026년 로봇 스타트업을 건설하는 것]
- [행위 정책 설명] (
T6 ) -- 가장 인기있는 IL 알고리즘에 깊이 뛰어들 - 보상 형성 for 조작 RL -- RL 경로를 선택하면
- RCSV 데이터 플랫폼 -- 관리된 데이터 인프라
- RCSV 가lossary -- 이 기사에서 사용되는 용어 정의
건설 비용 없이 데이터 인프라가 필요합니까?
RCSV의 플랫폼은 에피소드 저장, 해설, 시각화, 훈련 파이프라인 수출을 처리합니다. 그래서 팀들은 로봇에 집중할 수 있습니다.
[플랫폼을 보] (T10