# MIT Han Lab, 시뮬레이션만으로 로봇 조작 모델 훈련

> 연구진은 시뮬레이션에서만 훈련한 오픈 27B 추론 모델이 실제 양팔 로봇 실험에서 60% 성공률을 기록했다고 밝혔다.

Oossa · 2026-11-16 · https://oossa.com/ko/mit-han-lab-trains-a-robot-using-model-entirely-in-simulation

MIT Han Lab 연구진은 작업 수행 방법을 보여주는 시연 없이 시뮬레이션에서 강화학습을 진행해, 실제 로봇을 조작하는 오픈 270억 매개변수 추론 모델을 훈련했다고 밝혔다. 훈련된 모델은 실제 양팔 로봇 실험에서 60% 성공률을 기록했으며, 훈련 전 모델은 한 번도 성공하지 못했다.

Qwen3.8-27B를 기반으로 한 이 모델은 LIBERO 로봇 작업 벤치마크에서도 성능이 1.6%에서 74.4%로 향상됐다. 연구진은 이 결과가 GPT-6 Astra와 GPT-6.1 Sol을 최고 추론 설정으로 실행했을 때의 성능에 근접했다고 밝혔다. 다만 이는 연구진의 자체 평가 결과이며, 독립적으로 검증된 것은 아니다.

## 모델은 로봇을 어떻게 조작하나?

모델은 카메라 영상과 로봇 팔의 상태 정보를 입력받아 다음 동작을 추론한 뒤 팔이 이동할 위치를 출력한다. 로봇 컨트롤러는 이 위치 정보를 실제 움직임으로 바꾼다. 연구진은 이를 화면을 보고 클릭 명령을 내리는 컴퓨터 사용 에이전트에 비유하면서도, 자사 시스템에는 별도의 인식 도구나 동작 계획기, 사전 구축된 기술이 추가로 사용되지 않는다고 설명했다.

훈련에는 로봇 조작 강화학습이 쓰였다. 모델이 시뮬레이션 환경에서 작업을 수행하고 성공 여부를 바탕으로 학습하는 방식이다. 연구팀의 PEAR 소프트웨어는 시뮬레이션과 평가 도구를 비롯한 훈련 인프라를 제공한다. MIT Han Lab은 모델과 코드, 훈련 인프라를 공개했다고 밝혔다.

## 시뮬레이션 훈련은 실제 로봇에도 통할까?

연구진은 모델이 학습한 기술을 실제 로봇과 다른 로봇, 훈련 중 접하지 않은 지시에도 적용했다고 보고했다. 목표와 물체 배치가 바뀌는 상황을 평가하는 LIBERO-Pro에서, 익숙한 장면에 새로운 작업이 주어진 에피소드의 성공률은 57.4%였다. 시연을 바탕으로 훈련된 모델 π0.5의 성공률은 같은 조건에서 0.75%였다.

이는 익숙한 작업을 단순히 반복하는 것과는 다른 평가다. 연구진은 LIBERO에서 모델을 2,000개 에피소드에 걸쳐 평가했다. 로봇 훈련 후 추론·코딩·비전 관련 9개 벤치마크에서도 측정 가능한 성능 저하가 없었다고 밝혔다. 이 논문은 arXiv에 공개된 프리프린트이며, 이번 결과만으로 시스템이 일상적인 사용이나 다른 로봇·환경에서 어떻게 작동할지 판단할 수는 없다.

## 팩트

- 기반 모델은 오픈 270억 매개변수 추론 모델인 Qwen3.8-27B였다.
- LIBERO 성공률은 훈련 전 1.6%에서 훈련 후 74.4%로 상승했다.
- 훈련된 모델은 실제 양팔 로봇 실험에서 60% 성공률을 기록했으며, 기반 모델의 성공률은 0%였다.
- 연구진은 LIBERO-Pro의 ‘익숙한 장면에서 새로운 작업’ 평가에서 자사 모델의 성공률이 57.4%, π0.5는 0.75%였다고 보고했다.

## 왜 중요한가

연구자들은 공개된 모델과 코드, PEAR 훈련 인프라를 활용해 시뮬레이션 기반 훈련이 작업 시연의 필요성을 줄일 수 있는지 연구할 수 있다. 실제 로봇 실험 결과는 고무적이지만, 테스트한 로봇과 작업을 벗어난 환경에서도 시스템이 얼마나 안정적으로 작동할지는 보여주지 않는다.

## 출처 및 참고 자료

1. [Training Reasoning Models in Simulation to Natively Use Real Robots](https://arxiv.org/abs/2611.18562) – arXiv cs.RO, 2026-11-16
2. [MIT HAN Lab](https://github.com/mit-han-lab/pear) – MIT HAN Lab
3. [MIT Han Lab](https://mit-han-lab.github.io/pear-blog/) – MIT Han Lab

최종 업데이트: 2026-11-16
