집중탐구
2026년 4월 8일
로보틱스 시뮬레이션 분야에서 핵심 플랫폼으로 자리 잡고 있는 UE5
시뮬레이션 산업은 인간을 훈련시키는 툴에서 기계를 훈련시키는 툴로 크게 전환되고 있습니다.
이를 위해서는 현실 세계에서 직접 작동하고 인식하며 상호작용하는 AI 시스템이 필요합니다. 바로 피지컬 AI(Physical AI)입니다.
AI 모델을 센서, 카메라, 액추에이터와 결합함으로써 로봇, 자율 주행 차량, 드론과 같은 시스템은 실시간으로 상황을 이해하고 판단하며 행동하고, 예측할 수 없는 환경에도 적응합니다.
언리얼 엔진은 이제 시뮬레이터를 넘어 합성 데이터 팩토리이자 차세대 로보틱스 시스템을 구동하는 실시간 자율 플랫폼으로도 활용되며 로보틱스 산업의 핵심 플랫폼으로 자리 매김하고 있습니다.
현실 세계에서 작동하는 로봇을 훈련하려면 방대한 데이터가 필요합니다. 인식을 위한 주석 이미지, 제어 정책을 위한 물리 상호작용, 그리고 안전성 검증을 위한 예외 상황 시나리오가 그 예입니다.
이러한 데이터를 현실 세계에서 수집하는 일은 느리고 비용이 많이 들며 위험할 뿐만 아니라 근본적인 한계가 있습니다. 수천 번의 차량 충돌을 실제로 재현하거나, 창고 안에서 허리케인을 시뮬레이션하거나, 수술 합병증을 필요할 때마다 반복 재현하는 것은 불가능합니다.
이러한 이유로 시뮬레이션은 현대 피지컬 AI 개발의 핵심 기반이 되고 있습니다. 시뮬레이션이 필수 요소가 된 오늘날, 중요한 질문은 '어떤 플랫폼이 가장 낮은 비용으로 최고의 인식 성능과 가장 빠른 반복 작업 속도를 제공하는가?'입니다.
로보틱스 팀에게 언리얼 엔진은 점점 더 그 해답이 되고 있습니다. 그 이유는 로보틱스 시뮬레이션에서 포토리얼리즘이 단순한 선택 사항이 아니라 기술적으로 반드시 필요한 요건이기 때문입니다.
언리얼 엔진의 강력한 그래픽 성능은 '시뮬레이션과 현실 간 격차(sim-to-real gap)', 즉 시뮬레이션에서 모델이 인식하는 것과 실제 로봇 환경에서 마주하는 것 사이의 차이를 줄이는 데 최적의 선택지가 됩니다.
핵심 원리는 간단합니다. 합성 이미지가 실제 사진에 가까울수록, 모델이 시뮬레이션에서 현실로 일반화하는 데 필요한 추가 작업은 그만큼 줄어듭니다.
언리얼 엔진 5는 이 분야의 판도를 근본적으로 바꾼 세 가지 기술을 선보였습니다. 포토리얼리즘을 구현하는 데 그치지 않고, 이를 실시간으로 실현할 수 있게 했습니다.
나나이트 가상화된 마이크로폴리곤 지오메트리는 초고해상도의 에셋을 실시간으로 렌더링하여 CAD 데이터 임포트, 사진측량 스캔, 고밀도 산업 환경에 특히 적합합니다.
루멘 다이내믹 글로벌 일루미네이션은 사실상 무한에 가까운 빛의 반사와 간접 반사를 실시간으로 계산해, 조명이 켜지는 경우와 같은 직접광의 변화나 문이 열리는 등의 지오메트리 변화에 반응하는 물리적으로 정확한 라이팅을 구현합니다.
또한 NVIDIA의 RTX 가속 브랜치를 포함한 하드웨어 레이 트레이싱은 물리적으로 정확한 리플렉션, 섀도 그리고 머티리얼 반응을 제공합니다.
제너럴 로보틱스(General Robotics)는 언리얼 엔진을 활용해 로봇 자율성 시스템을 테스트하고 시연하기 위한 사실적인 가상 환경을 구축하고 있으며, 이를 통해 로보틱스 플랫폼에 확장 가능한 시뮬레이션과 시각적 검증을 제공합니다.
제너럴 로보틱스의 창립자 겸 CTO 사이 벰프랄라(Sai Vemprala)는 말합니다. “언리얼 엔진의 포토리얼리즘과 월드 제어 기능은 다양한 시나리오에서 실제 환경의 행동을 예측할 수 있게 해주며, 자율 시스템은 이를 확장할 수 있게 해줍니다.”
이를 위해서는 현실 세계에서 직접 작동하고 인식하며 상호작용하는 AI 시스템이 필요합니다. 바로 피지컬 AI(Physical AI)입니다.
AI 모델을 센서, 카메라, 액추에이터와 결합함으로써 로봇, 자율 주행 차량, 드론과 같은 시스템은 실시간으로 상황을 이해하고 판단하며 행동하고, 예측할 수 없는 환경에도 적응합니다.
언리얼 엔진은 이제 시뮬레이터를 넘어 합성 데이터 팩토리이자 차세대 로보틱스 시스템을 구동하는 실시간 자율 플랫폼으로도 활용되며 로보틱스 산업의 핵심 플랫폼으로 자리 매김하고 있습니다.
기술 요구사항으로 평가되는 포토리얼리즘
현실 세계에서 작동하는 로봇을 훈련하려면 방대한 데이터가 필요합니다. 인식을 위한 주석 이미지, 제어 정책을 위한 물리 상호작용, 그리고 안전성 검증을 위한 예외 상황 시나리오가 그 예입니다.이러한 데이터를 현실 세계에서 수집하는 일은 느리고 비용이 많이 들며 위험할 뿐만 아니라 근본적인 한계가 있습니다. 수천 번의 차량 충돌을 실제로 재현하거나, 창고 안에서 허리케인을 시뮬레이션하거나, 수술 합병증을 필요할 때마다 반복 재현하는 것은 불가능합니다.
이러한 이유로 시뮬레이션은 현대 피지컬 AI 개발의 핵심 기반이 되고 있습니다. 시뮬레이션이 필수 요소가 된 오늘날, 중요한 질문은 '어떤 플랫폼이 가장 낮은 비용으로 최고의 인식 성능과 가장 빠른 반복 작업 속도를 제공하는가?'입니다.
로보틱스 팀에게 언리얼 엔진은 점점 더 그 해답이 되고 있습니다. 그 이유는 로보틱스 시뮬레이션에서 포토리얼리즘이 단순한 선택 사항이 아니라 기술적으로 반드시 필요한 요건이기 때문입니다.
언리얼 엔진의 강력한 그래픽 성능은 '시뮬레이션과 현실 간 격차(sim-to-real gap)', 즉 시뮬레이션에서 모델이 인식하는 것과 실제 로봇 환경에서 마주하는 것 사이의 차이를 줄이는 데 최적의 선택지가 됩니다.
핵심 원리는 간단합니다. 합성 이미지가 실제 사진에 가까울수록, 모델이 시뮬레이션에서 현실로 일반화하는 데 필요한 추가 작업은 그만큼 줄어듭니다.
언리얼 엔진 5는 이 분야의 판도를 근본적으로 바꾼 세 가지 기술을 선보였습니다. 포토리얼리즘을 구현하는 데 그치지 않고, 이를 실시간으로 실현할 수 있게 했습니다.
나나이트 가상화된 마이크로폴리곤 지오메트리는 초고해상도의 에셋을 실시간으로 렌더링하여 CAD 데이터 임포트, 사진측량 스캔, 고밀도 산업 환경에 특히 적합합니다.
루멘 다이내믹 글로벌 일루미네이션은 사실상 무한에 가까운 빛의 반사와 간접 반사를 실시간으로 계산해, 조명이 켜지는 경우와 같은 직접광의 변화나 문이 열리는 등의 지오메트리 변화에 반응하는 물리적으로 정확한 라이팅을 구현합니다.
또한 NVIDIA의 RTX 가속 브랜치를 포함한 하드웨어 레이 트레이싱은 물리적으로 정확한 리플렉션, 섀도 그리고 머티리얼 반응을 제공합니다.
제너럴 로보틱스(General Robotics)는 언리얼 엔진을 활용해 로봇 자율성 시스템을 테스트하고 시연하기 위한 사실적인 가상 환경을 구축하고 있으며, 이를 통해 로보틱스 플랫폼에 확장 가능한 시뮬레이션과 시각적 검증을 제공합니다.
제너럴 로보틱스의 창립자 겸 CTO 사이 벰프랄라(Sai Vemprala)는 말합니다. “언리얼 엔진의 포토리얼리즘과 월드 제어 기능은 다양한 시나리오에서 실제 환경의 행동을 예측할 수 있게 해주며, 자율 시스템은 이를 확장할 수 있게 해줍니다.”
Courtesy of General Robotics
언리얼 엔진은 에이전트 기반 로봇 평가 시스템을 위한 토대로 활용됩니다. 에이전트가 다양한 환경과 조건에서 로봇 AI의 동작 평가를 자동으로 구성하고 실행하며, 배포 전에 예외 상황을 찾아내고 성능을 검증할 수 있도록 합니다.
또한 언리얼 엔진은 macOS에서도 실행되기 때문에, 로보틱스 엔지니어는 SSH로 Linux에 접속하지 않고도 노트북에서 시뮬레이터를 별도 환경 없이 직접 실행할 수 있습니다. 이를 통해 더 낮은 지연시간, 향상된 그래픽 성능, 그리고 간소화된 워크플로를 제공합니다.
많은 조작 및 이동 작업에서 시각적 차이보다는 접촉 역학이나 액추에이터 동작의 부정확성이 훨씬 먼저 실패로 이어집니다.
이러한 맥락에서, 언리얼 엔진의 카오스 피직스 시스템은 배정밀도를 기반으로 확장 가능한 훈련, 인식 시뮬레이션, 그리고 포토리얼 환경에서의 실시간 상호작용을 지원하는 강력한 툴입니다.
또한 엔지니어는 Algoryx에서 개발한 고정밀 실시간 피직스 시뮬레이션 시스템인 언리얼 엔진용 AGX Dynamics과 같은 외부 툴을 활용해 시스템의 물리적 특성을 정확하게 모델링할 수 있습니다.
또한 언리얼 엔진은 macOS에서도 실행되기 때문에, 로보틱스 엔지니어는 SSH로 Linux에 접속하지 않고도 노트북에서 시뮬레이터를 별도 환경 없이 직접 실행할 수 있습니다. 이를 통해 더 낮은 지연시간, 향상된 그래픽 성능, 그리고 간소화된 워크플로를 제공합니다.
피직스 시뮬레이션
포토리얼리즘만으로는 시뮬레이션과 현실 간 격차를 해소할 수 없습니다. 정확한 접촉, 마찰, 변형체, 액추에이터 동작을 포함한 물리 정확도와, 롤링 셔터, LiDAR 강도, IMU 드리프트, 지연시간 등을 반영한 센서 현실성, 그리고 적절한 제어 루프 모델링까지 모두 중요합니다.많은 조작 및 이동 작업에서 시각적 차이보다는 접촉 역학이나 액추에이터 동작의 부정확성이 훨씬 먼저 실패로 이어집니다.
이러한 맥락에서, 언리얼 엔진의 카오스 피직스 시스템은 배정밀도를 기반으로 확장 가능한 훈련, 인식 시뮬레이션, 그리고 포토리얼 환경에서의 실시간 상호작용을 지원하는 강력한 툴입니다.
또한 엔지니어는 Algoryx에서 개발한 고정밀 실시간 피직스 시뮬레이션 시스템인 언리얼 엔진용 AGX Dynamics과 같은 외부 툴을 활용해 시스템의 물리적 특성을 정확하게 모델링할 수 있습니다.
Courtesy of Algoryx Simulation
AGX는 다물체 메커니즘, 유압 시스템, 구동계, 엔진, 트랙 또는 바퀴, 그리고 동적으로 변형되는 지형까지 포함해 전체 기계를 물리적으로 정확하게 시뮬레이션할 수 있도록 지원합니다.
CEO이자 공동 창립자인 케네스 보딘(Kenneth Bodin)은 설명합니다. “자율 기계는 물리를 기반으로 이해하고 판단할 수 있어야 합니다. 시뮬레이션이 기계가 실제 세계와 상호작용하는 방식을 제대로 반영하지 못하면, AI는 잘못된 행동을 학습하게 됩니다. AGX의 엔지니어링 수준 피직스 시뮬레이션과 언리얼 엔진의 포토리얼 환경을 결합함으로써, 자율 기계를 대규모로 훈련하고 테스트하며 검증할 수 있는 디지털 환경을 구축할 수 있습니다.”
엔지니어 입장에서는 이 파이프라인을 확장 가능하고 자동화된 방식으로 운영할 수 있습니다. 리얼리티스캔은 핵심적인 정합 및 포즈 데이터를 내보내는 동시에 Colmap과 같은 표준 컴퓨터 비전(computer vision, CV) 포맷을 지원합니다. 또한 최첨단 이미지 정렬 기술은 가우시안 스플랫을 생성하기 위한 기반을 제공합니다. 가우시안 스플랫은 비교적 적은 노력으로도 제작할 수 있는 고퀄리티의 포토리얼 에셋입니다.
리얼리티스캔은 Linux 서버에서 실행할 수 있으며, Remote Command Plugin 또는 CLI 스크립트로 제어할 수 있습니다. 이를 통해 여러 머신에서 스캔 데이터를 지속적으로 처리하고 결과를 언리얼 엔진으로 바로 전송하는 자동화된 사진측량 파이프라인을 구축할 수 있습니다.
따라서 이미지를 캡처한 후 사람이 직접 라벨링할 필요 없이, 엔진이 이미지를 렌더링하는 동시에 매우 정확한 라벨을 자동으로 생성할 수 있습니다.
CEO이자 공동 창립자인 케네스 보딘(Kenneth Bodin)은 설명합니다. “자율 기계는 물리를 기반으로 이해하고 판단할 수 있어야 합니다. 시뮬레이션이 기계가 실제 세계와 상호작용하는 방식을 제대로 반영하지 못하면, AI는 잘못된 행동을 학습하게 됩니다. AGX의 엔지니어링 수준 피직스 시뮬레이션과 언리얼 엔진의 포토리얼 환경을 결합함으로써, 자율 기계를 대규모로 훈련하고 테스트하며 검증할 수 있는 디지털 환경을 구축할 수 있습니다.”
리얼리티스캔을 활용한 다양한 데이터 소스 병합 및 재구성
최첨단 사진측량 기술과 리얼타임 기술을 결합하면, 로보틱스 팀은 강력한 파이프라인을 제작해 사실적인 가상 환경을 구축할 수 있습니다. 대표적인 예가 리얼리티스캔과 언리얼 엔진 간의 워크플로입니다. 이를 통해 실제 환경과 사물을 디지털 트윈으로 빠르게 변환해 로보틱스 시뮬레이션에 활용할 수 있습니다. 이제 리얼리티스캔은 기존 사진측량 기술과 LiDAR는 물론 SLAM 포인트 클라우드까지 지원하며, 환경 생성의 병목을 해소하고 실제 배포 환경과 밀접하게 일치하는 합성 훈련 및 회귀 환경을 빠르게 생성할 수 있도록 합니다. 이는 특히 카메라 기반 인식 시스템에서 시뮬레이션과 현실 간 격차를 줄이는 데 매우 중요한 역할을 합니다.엔지니어 입장에서는 이 파이프라인을 확장 가능하고 자동화된 방식으로 운영할 수 있습니다. 리얼리티스캔은 핵심적인 정합 및 포즈 데이터를 내보내는 동시에 Colmap과 같은 표준 컴퓨터 비전(computer vision, CV) 포맷을 지원합니다. 또한 최첨단 이미지 정렬 기술은 가우시안 스플랫을 생성하기 위한 기반을 제공합니다. 가우시안 스플랫은 비교적 적은 노력으로도 제작할 수 있는 고퀄리티의 포토리얼 에셋입니다.
리얼리티스캔은 Linux 서버에서 실행할 수 있으며, Remote Command Plugin 또는 CLI 스크립트로 제어할 수 있습니다. 이를 통해 여러 머신에서 스캔 데이터를 지속적으로 처리하고 결과를 언리얼 엔진으로 바로 전송하는 자동화된 사진측량 파이프라인을 구축할 수 있습니다.
빠르고 비용 효율적인 훈련을 위한 합성 데이터
언리얼 엔진은 모든 픽셀을 수학적으로 생성하기 때문에 씬에 대한 모든 정보를 이미 알고 있습니다. 여기에는 각 사물의 위치, 거리, 머티리얼, 그리고 움직임까지 모두 포함됩니다.따라서 이미지를 캡처한 후 사람이 직접 라벨링할 필요 없이, 엔진이 이미지를 렌더링하는 동시에 매우 정확한 라벨을 자동으로 생성할 수 있습니다.
이는 여러 이점을 제공합니다. 어노테이터 간 편차가 없고, 지게차를 트럭으로 잘못 라벨링하는 식의 데이터 세트 내 라벨 불일치도 발생하지 않으며, 비용이 많이 드는 품질 관리 과정도 필요하지 않습니다.
또한 경제적 효과도 분명합니다. 합성 데이터를 활용한 훈련 시뮬레이션은 대규모로 수행할수록 이미지당 비용을 크게 낮출 수 있습니다.
대부분의 인식 파이프라인에서 합성 데이터가 수작업 라벨링보다 비용 효율적이 되는 시점은 예상보다 훨씬 빠르게 도달하며, 보통 수만 장의 이미지 수준에서 발생합니다.
대부분의 로보틱스 모델이 수백만 장의 이미지를 필요로 한다는 점을 감안하면, 합성 데이터를 선택하는 것만으로도 상당한 비용 절감 효과를 얻을 수 있습니다.
이러한 변화는 시장에서도 분명하게 나타나고 있으며, 합성 데이터는 AI 훈련 파이프라인의 핵심 요소로 자리 잡을 것으로 전망됩니다.
또한 경제적 효과도 분명합니다. 합성 데이터를 활용한 훈련 시뮬레이션은 대규모로 수행할수록 이미지당 비용을 크게 낮출 수 있습니다.
대부분의 인식 파이프라인에서 합성 데이터가 수작업 라벨링보다 비용 효율적이 되는 시점은 예상보다 훨씬 빠르게 도달하며, 보통 수만 장의 이미지 수준에서 발생합니다.
대부분의 로보틱스 모델이 수백만 장의 이미지를 필요로 한다는 점을 감안하면, 합성 데이터를 선택하는 것만으로도 상당한 비용 절감 효과를 얻을 수 있습니다.
이러한 변화는 시장에서도 분명하게 나타나고 있으며, 합성 데이터는 AI 훈련 파이프라인의 핵심 요소로 자리 잡을 것으로 전망됩니다.
Courtesy of Duality AI
듀얼리티 AI(Duality AI)는 이러한 언리얼 엔진의 기능을 활용해 팔콘(Falcon) 디지털 트윈 플랫폼을 구축하고, 다양한 산업과 활용 사례에 걸쳐 기업 고객이 활용할 수 있는 고퀄리티 합성 데이터와 센서 시뮬레이션을 제공합니다.
이러한 디지털 트윈에 대한 투자는 AI 모델을 빠르게 훈련하고 배포하는 데 있어 측정 가능한 ROI로 이어지며, 드론의 안전한 비행, 야생 환경에서의 안정적인 주행, 나아가 궤도를 도는 위성 도킹과 같은 작업을 가능하게 합니다. 이 모든 시나리오에서 팔콘의 디지털 트윈 환경과 가상 센서는 시뮬레이션과 현실 간 격차를 줄이는 데 효과가 입증된 고정밀 합성 데이터를 제공합니다.
듀얼리티 AI의 CEO 아푸르바 샤(Apurva Shah)는 말합니다. “언리얼 엔진의 고급 렌더링 기능, 피직스 솔버, 확장 가능한 씬 관리, 그리고 다양한 분야를 아우르는 잘 구축된 개발 커뮤니티 없이는 불가능했을 것입니다.”
도메인 랜덤화는 시뮬레이션 환경의 다양한 요소를 의도적으로 변화시켜, 시뮬레이션에서 학습된 모델이 실제 환경에서도 더 잘 동작하도록 하는 기법입니다.
모델이 시뮬레이션에서 충분한 변화를 경험하면 특정한 합성 환경에 과적합되지 않으며, 복잡한 실제 환경에서도 더 안정적으로 동작합니다.
이처럼 고퀄리티의 환경 모델링에 대한 요구는 포테라(Forterra)에서 중요한 우선순위로 다뤄지고 있습니다. 포테라의 자율 주행 시스템 오토드라이브(AutoDrive)는 구조화된 환경은 물론, 포장 도로처럼 예측 가능한 표식이 없는 비구조화된 환경을 포함한 온로드 및 오프로드의 복잡한 환경을 주행합니다. 물류 센터와 항만, 복합 수송부터 천연 자원 산업 현장에 이르기까지 포테라의 시스템은 다양한 지형과 변화하는 노면, 그리고 예측할 수 없는 장애물에 실시간으로 대응해야 합니다.
포테라는 고정밀 시뮬레이션과 합성 데이터를 활용해 자율 주행 시스템을 거의 무한에 가까운 날씨, 조명, 지형 장애물 조건에 노출시킬 수 있습니다.
포테라의 시뮬레이션 및 시스템 검증 디렉터 제레미 조셉(Jeremy Joseph) 박사는 설명합니다. “포테라에서는 복잡한 환경에서도 안정적으로 동작하는 자율성을 개발하는 데 있어 고정밀 시뮬레이션이 필수적입니다.
저희는 언리얼 엔진을 활용해 차량을 테스트하고 있습니다. 물리적으로 정확한 센서 시뮬레이션과 정밀한 디지털 환경, 그리고 무수히 다양한 날씨, 지형, 장애물 조건에서 전체 임무 시나리오를 실행할 수 있기 때문입니다. 이러한 기능을 통해 자율 주행 시스템이 실제 차량에 적용되기 전에 문제를 식별하고 해결할 수 있으며, 이는 포테라의 핵심 가치인 최종 사용자 안전을 확보하는 데 핵심적인 요소입니다.”
이러한 디지털 트윈에 대한 투자는 AI 모델을 빠르게 훈련하고 배포하는 데 있어 측정 가능한 ROI로 이어지며, 드론의 안전한 비행, 야생 환경에서의 안정적인 주행, 나아가 궤도를 도는 위성 도킹과 같은 작업을 가능하게 합니다. 이 모든 시나리오에서 팔콘의 디지털 트윈 환경과 가상 센서는 시뮬레이션과 현실 간 격차를 줄이는 데 효과가 입증된 고정밀 합성 데이터를 제공합니다.
듀얼리티 AI의 CEO 아푸르바 샤(Apurva Shah)는 말합니다. “언리얼 엔진의 고급 렌더링 기능, 피직스 솔버, 확장 가능한 씬 관리, 그리고 다양한 분야를 아우르는 잘 구축된 개발 커뮤니티 없이는 불가능했을 것입니다.”
도메인 랜덤화: 예측할 수 없는 상황에 대비하기
도메인 랜덤화는 시뮬레이션 환경의 다양한 요소를 의도적으로 변화시켜, 시뮬레이션에서 학습된 모델이 실제 환경에서도 더 잘 동작하도록 하는 기법입니다.모델이 시뮬레이션에서 충분한 변화를 경험하면 특정한 합성 환경에 과적합되지 않으며, 복잡한 실제 환경에서도 더 안정적으로 동작합니다.
이처럼 고퀄리티의 환경 모델링에 대한 요구는 포테라(Forterra)에서 중요한 우선순위로 다뤄지고 있습니다. 포테라의 자율 주행 시스템 오토드라이브(AutoDrive)는 구조화된 환경은 물론, 포장 도로처럼 예측 가능한 표식이 없는 비구조화된 환경을 포함한 온로드 및 오프로드의 복잡한 환경을 주행합니다. 물류 센터와 항만, 복합 수송부터 천연 자원 산업 현장에 이르기까지 포테라의 시스템은 다양한 지형과 변화하는 노면, 그리고 예측할 수 없는 장애물에 실시간으로 대응해야 합니다.
포테라는 고정밀 시뮬레이션과 합성 데이터를 활용해 자율 주행 시스템을 거의 무한에 가까운 날씨, 조명, 지형 장애물 조건에 노출시킬 수 있습니다.
포테라의 시뮬레이션 및 시스템 검증 디렉터 제레미 조셉(Jeremy Joseph) 박사는 설명합니다. “포테라에서는 복잡한 환경에서도 안정적으로 동작하는 자율성을 개발하는 데 있어 고정밀 시뮬레이션이 필수적입니다.
저희는 언리얼 엔진을 활용해 차량을 테스트하고 있습니다. 물리적으로 정확한 센서 시뮬레이션과 정밀한 디지털 환경, 그리고 무수히 다양한 날씨, 지형, 장애물 조건에서 전체 임무 시나리오를 실행할 수 있기 때문입니다. 이러한 기능을 통해 자율 주행 시스템이 실제 차량에 적용되기 전에 문제를 식별하고 해결할 수 있으며, 이는 포테라의 핵심 가치인 최종 사용자 안전을 확보하는 데 핵심적인 요소입니다.”
Courtesy of Forterra
언리얼 엔진은 프로그래밍 가능한 머티리얼 시스템과 다이내믹 라이팅 기능을 갖추고 있어 도메인 랜덤화에 특히 적합합니다. 텍스처와 머티리얼, 라이팅 조건, 날씨와 대기 효과, 사물 배치와 지오메트리, 카메라 위치와 렌즈 파라미터까지 다양한 요소를 무작위로 변경할 수 있습니다.
또한 로보틱스 팀은 언리얼 엔진의 프로시저럴 콘텐츠 제너레이션(PCG) 프레임워크를 활용해 훈련 에피소드마다 실내 환경을 다양하게 구성할 수 있습니다. 창고나 사무실 씬에서는 레이아웃(선반이나 테이블 배치 등), 박스나 도구와 같은 잡동사니, 머티리얼, 라이팅, 오클루전과 같은 시각적 요소를 원하는 대로 변화시킬 수 있습니다.
시뮬레이션 환경을 구축하거나 사물을 배치해야 하는 경우, 팹 마켓플레이스를 활용할 수 있습니다. 팹은 합리적인 가격에 쉽게 통합할 수 있는 고퀄리티 3D 콘텐츠를 제공하며, 사진측량 기술을 기반으로 제작된 퀵셀 메가스캔과 같은 고퀄리티 에셋도 포함되어 있습니다.
언리얼 엔진의 렌더링 파이프라인은 실제 로봇에서 사용하는 다양한 센서를 시뮬레이션하는 데 특히 적합합니다. RGB/HDR 카메라, 뎁스 카메라, LiDAR 포인트 클라우드, 레이더 및 SAR 페이로드, 열화상/FLIR 이미징, IMU 및 GPS 모델, 그리고 홀로오션(HoloOcean)을 통한 수중 음파 탐지기까지 폭넓게 지원합니다. 또한 노이즈, 왜곡, 지연시간, 동기화와 같은 주요 센서 특성을 모델링해 실제 하드웨어와 유사한 환경을 구현할 수 있습니다.
듀얼리티 AI의 팔콘 디지털 트윈 플랫폼은 이러한 활용 사례 중 하나입니다. 다양하게 설정할 수 있는 시뮬레이션용 센서 라이브러리를 통해 카메라, LiDAR, 레이더 및 SAR, GPS, IMU 등 여러 센서를 지원하며, 언리얼 엔진이 데이터를 처리해 고정밀 환경 시뮬레이션을 생성합니다.
듀얼리티 AI의 CEO 아푸르바 샤는 말합니다. “언리얼 엔진이 로보틱스와 피지컬 AI 엔지니어에게 제공할 수 있는 가치가 매우 크다는 점을 잘 알고 있었기 때문에, 이를 중심으로 팔콘을 구축했습니다.”
또한 로보틱스 팀은 언리얼 엔진의 프로시저럴 콘텐츠 제너레이션(PCG) 프레임워크를 활용해 훈련 에피소드마다 실내 환경을 다양하게 구성할 수 있습니다. 창고나 사무실 씬에서는 레이아웃(선반이나 테이블 배치 등), 박스나 도구와 같은 잡동사니, 머티리얼, 라이팅, 오클루전과 같은 시각적 요소를 원하는 대로 변화시킬 수 있습니다.
시뮬레이션 환경을 구축하거나 사물을 배치해야 하는 경우, 팹 마켓플레이스를 활용할 수 있습니다. 팹은 합리적인 가격에 쉽게 통합할 수 있는 고퀄리티 3D 콘텐츠를 제공하며, 사진측량 기술을 기반으로 제작된 퀵셀 메가스캔과 같은 고퀄리티 에셋도 포함되어 있습니다.
센서 시뮬레이션: 환경을 종합적으로 이해하기
현대 로보틱스는 단일 입력에 의존하는 대신 여러 종류의 센서를 동시에 활용해 환경을 이해하는 멀티 모달 인식에 기반합니다.언리얼 엔진의 렌더링 파이프라인은 실제 로봇에서 사용하는 다양한 센서를 시뮬레이션하는 데 특히 적합합니다. RGB/HDR 카메라, 뎁스 카메라, LiDAR 포인트 클라우드, 레이더 및 SAR 페이로드, 열화상/FLIR 이미징, IMU 및 GPS 모델, 그리고 홀로오션(HoloOcean)을 통한 수중 음파 탐지기까지 폭넓게 지원합니다. 또한 노이즈, 왜곡, 지연시간, 동기화와 같은 주요 센서 특성을 모델링해 실제 하드웨어와 유사한 환경을 구현할 수 있습니다.
듀얼리티 AI의 팔콘 디지털 트윈 플랫폼은 이러한 활용 사례 중 하나입니다. 다양하게 설정할 수 있는 시뮬레이션용 센서 라이브러리를 통해 카메라, LiDAR, 레이더 및 SAR, GPS, IMU 등 여러 센서를 지원하며, 언리얼 엔진이 데이터를 처리해 고정밀 환경 시뮬레이션을 생성합니다.
듀얼리티 AI의 CEO 아푸르바 샤는 말합니다. “언리얼 엔진이 로보틱스와 피지컬 AI 엔지니어에게 제공할 수 있는 가치가 매우 크다는 점을 잘 알고 있었기 때문에, 이를 중심으로 팔콘을 구축했습니다.”
Courtesy of Duality AI
디스페이스(dSPACE)의 오렐리온(AURELION)은 언리얼 엔진이 기존 자율 주행 차량 및 로보틱스 워크플로에 어떻게 통합되는지를 잘 보여줍니다. 예를 들어 한국산업기술시험원(Korean Testing Laboratory, KTL)은 오렐리온을 활용해 복도, 엘리베이터, 병실 등을 포함한 가상 병원 환경에서 자율 서비스 로봇을 테스트하고 있습니다. 가상 센서를 통해 개발자는 실제 환경에 배포하기 전에 주행 경로 계획, 장애물 회피, 시스템 반응을 평가할 수 있습니다.
디스페이스의 센서 시뮬레이션 프로덕트 매니저 카이우스 자이거(Caius Seiger)는 설명합니다. “언리얼 엔진은 저희 물리 기반 센서 시뮬레이션 솔루션인 오렐리온의 기술적 기반입니다.”
디스페이스의 센서 시뮬레이션 프로덕트 매니저 카이우스 자이거(Caius Seiger)는 설명합니다. “언리얼 엔진은 저희 물리 기반 센서 시뮬레이션 솔루션인 오렐리온의 기술적 기반입니다.”
Courtesy of dSPACE GmbH
언리얼 엔진은 정확한 렌즈 및 이미지 센서 모델링을 포함한 센서 특성을 반영한 카메라 시뮬레이션을 지원합니다. 자이거는 말합니다. “소스 코드에 접근할 수 있어서 레이더, LiDAR, 초음파 센서를 위한 정확한 원시 센서 데이터를 생성할 수 있도록 리얼타임 레이 트레이싱을 구현해 플랫폼을 더욱 확장할 수 있었습니다.”
언리얼 엔진은 3D 모델과 머티리얼을 효율적으로 통합해 도심 배송 드론부터 병원 서비스 로봇에 이르기까지 다양한 활용 사례를 지원합니다.
마찬가지로 매스웍스(MathWorks)의 매트랩(MATLAB)과 시뮬링크(Simulink)는 시뮬링크 3D 애니메이션(Simulink 3D Animation)을 통해 언리얼 엔진과 통합됩니다. 시뮬링크 3D 애니메이션의 프로덕트 매니저 니샨 네쿠(Nishan Nekoo)는 말합니다. “엔지니어는 언리얼 엔진을 활용해 포토리얼 렌더링과 센서 시뮬레이션을 수행하고, 매스웍스의 툴은 인식, 계획, 제어, 그리고 물리 기반 모델링을 하나의 통합된 시뮬레이션 환경으로 통합합니다.”
이러한 워크플로는 자율성 개발과 검증을 설계 초기 단계로 앞당겨, 문제를 더 빠르고 안전하게 그리고 더 강한 확신을 가지고 파악할 수 있도록 합니다.
일부 로보틱스 조직은 생산 시스템의 요구사항을 충족하기 위해 자체 미들웨어를 구축하기도 합니다. 템포 시뮬레이션(Tempo Simulation)은 이러한 현실을 고려해 개발되었습니다. 이 오픈소스 플랫폼은 유연한 gRPC/프로토버프(Protobuf) 인터페이스를 제공해, 로보틱스 팀이 언리얼 엔진을 자체 자율 주행 시스템과 미들웨어에 직접 연결할 수 있도록 지원합니다. 또한 템포는 TempoROS 연동과 함께, 언리얼 엔진 내에서 사실적인 시뮬레이션 환경, 센서 모델, 복잡한 에이전트 행동을 구축할 수 있는 툴을 제공합니다.
언리얼 엔진은 3D 모델과 머티리얼을 효율적으로 통합해 도심 배송 드론부터 병원 서비스 로봇에 이르기까지 다양한 활용 사례를 지원합니다.
마찬가지로 매스웍스(MathWorks)의 매트랩(MATLAB)과 시뮬링크(Simulink)는 시뮬링크 3D 애니메이션(Simulink 3D Animation)을 통해 언리얼 엔진과 통합됩니다. 시뮬링크 3D 애니메이션의 프로덕트 매니저 니샨 네쿠(Nishan Nekoo)는 말합니다. “엔지니어는 언리얼 엔진을 활용해 포토리얼 렌더링과 센서 시뮬레이션을 수행하고, 매스웍스의 툴은 인식, 계획, 제어, 그리고 물리 기반 모델링을 하나의 통합된 시뮬레이션 환경으로 통합합니다.”
이러한 워크플로는 자율성 개발과 검증을 설계 초기 단계로 앞당겨, 문제를 더 빠르고 안전하게 그리고 더 강한 확신을 가지고 파악할 수 있도록 합니다.
ROS 통합: 게임 엔진과 로봇 연결하기
로보틱스 팀이 게임 엔진 도입을 검토할 때, 로보틱스 미들웨어와의 호환성은 팀이 흔히 우려하는 부분입니다. 현재 언리얼 엔진은 ROSIntegration, rclUE, UE ROS2 센서 플러그인, CARLA 등 검증된 연동 툴을 통해 ROS 및 ROS2와 원활하게 연동됩니다.일부 로보틱스 조직은 생산 시스템의 요구사항을 충족하기 위해 자체 미들웨어를 구축하기도 합니다. 템포 시뮬레이션(Tempo Simulation)은 이러한 현실을 고려해 개발되었습니다. 이 오픈소스 플랫폼은 유연한 gRPC/프로토버프(Protobuf) 인터페이스를 제공해, 로보틱스 팀이 언리얼 엔진을 자체 자율 주행 시스템과 미들웨어에 직접 연결할 수 있도록 지원합니다. 또한 템포는 TempoROS 연동과 함께, 언리얼 엔진 내에서 사실적인 시뮬레이션 환경, 센서 모델, 복잡한 에이전트 행동을 구축할 수 있는 툴을 제공합니다.
Courtesy of Aurum Systems and Tempo Simulation
템포 시뮬레이션의 공동 창립자 겸 CEO 피터 멜릭(Peter Melick)은 말합니다. “템포에서는 시뮬레이션을 통한 반복 개선 구조가 얼마나 강력한지 직접 확인해 왔습니다. 팀이 시뮬레이션 환경에서 데이터를 생성하고, 동작을 테스트하며, 빠르게 반복 작업할 수 있을 때 개발 주기는 획기적으로 단축됩니다. 저희의 목표는 모든 로보틱스 팀이 고퀄리티의 현실감 있는 언리얼 엔진 시뮬레이션을 활용할 수 있도록 하는 것입니다.”
이는 언리얼 엔진이 로봇의 자율 동작을 가능하게 하는 소프트웨어 시스템을 위한 리얼타임 시뮬레이터로서 효과적으로 활용될 수 있음을 보여주는 훌륭한 사례입니다.
에이전트가 환경과 상호작용하며 보상이나 패널티를 통해 학습하는 강화학습(Reinforcement Learning, RL)에서 시뮬레이션 환경의 사실성과 반응성은 학습된 행동이 실제 환경에서 얼마나 효과적으로 이어지는지를 결정합니다.
Gym-UnrealCV와 AirSim의 후속 프레임워크는 드론 내비게이션, 사물 추적, 로봇 제어와 같은 작업을 위해 언리얼 엔진을 강화학습 파이프라인과 통합합니다.
언리얼 엔진의 카오스 피직스 시스템은 리지드 바디 다이내믹, 관절 조인트, 콜리전, 그리고 비히클 다이내믹을 처리합니다. 또한 렌더링은 언리얼 엔진을 활용하고, 접촉 모델링은 MuJoCo 또는 Bullet 엔진을 결합하는 하이브리드 아키텍처가 로보틱스 수준의 물리 시뮬레이션을 위한 모범 사례로 자리 잡고 있습니다.
확장성 측면에서는 Linux 컨테이너, 도커(Docker) 지원, GPU 가속 헤드리스 렌더링을 통해 클라우드 규모의 합성 데이터 생성과 자율성 테스트 파이프라인을 구축할 수 있습니다.
CARLA는 가장 널리 사용되는 오픈소스 자율 주행 시뮬레이터로, 현재 UE 5.5에서 구동되며 LiDAR, 레이더, 다양한 카메라 유형, GPS, 시맨틱 세그멘테이션, ROS2 네이티브 연동을 지원합니다.
UE5 기반으로 개발된 홀로오션은 DVL, IMU, 광학/음향 모뎀과 함께 옥트리(octree) 기반의 새로운 수중 음파 탐지기 센서 모델을 포함한 다중 에이전트 수중 시뮬레이션을 제공합니다. 이는 수중 시뮬레이터 중에서도 드문 기능입니다. 또한 UE5의 루멘과 나나이트는 시뮬레이터의 수중 환경을 더욱 사실적으로 구현할 수 있게 지원합니다.
언리얼 엔진을 기반으로 구축된 듀얼리티 AI 팔콘 디지털 트윈 시뮬레이션 플랫폼은 업계에서 잇따라 인정받고 있습니다. 패스트 컴퍼니(Fast Company)의 세상을 바꾸는 아이디어(World Changing Ideas) 부문을 비롯해 프로덕트 어워즈(Product Awards)의 AI 및 데이터(AI & Data) 부문 최우수 제품상, 그리고 로보틱스 앤 피지컬 AI 어워즈(Robotics and Physical AI Awards)의 데이터 엔진 및 시뮬레이션(Data Engines & Simulation) 부문 등 다양한 부문에서 수상했습니다. 팔콘의 주요 고객으로는 NASA-JPL, 허니웰(Honeywell), 다르파(DARPA) 및 프록터 앤 갬블(Procter & Gamble) 등이 있습니다.
테로랩스(PteroLabs)의 테로심(PteroSim)은 UE5 기반의 UAV 비행 시뮬레이터로, 제이에스비심(JSBSim)의 6자유도(6-DOF) 공기역학 모델을 활용해 고정익, 멀티로터, VTOL, 헬리콥터 항공기를 지원하며, 100대 이상의 드론을 동시에 시뮬레이션할 수 있습니다. 또한 실제 드론에서 사용하는 매브링크(MAVLink) 프로토콜과 지상 관제 소프트웨어를 통해 PX4, ArduPilot과 같은 오토파일럿 펌웨어를 시뮬레이션 안에서 실제처럼 동작하도록 실행할 수 있어, 시뮬레이션과 실제 환경 간 검증을 원활하게 수행할 수 있습니다.
이 플랫폼은 대기 교란 모델링(드라이덴 난류, 돌풍, 마이크로버스트)을 지원하며, 자동화된 테스트 시나리오를 위한 gRPC Python API도 제공합니다. 또한 ML 훈련과 RL 워크플로를 위해 실시간보다 훨씬 빠르게 실행됩니다. 테로심은 다르파 리프트 챌린지(DARPA Lift Challenge) 팀에서 자율 항공기의 비행 전 검증에 활용하고 있습니다.
테로랩스의 창립자 알렉산더 칼미코프(Alexander Kalmykov)는 말합니다. “언리얼 엔진을 선택한 이유는, 비주얼 퀄리티가 뛰어나고 내부적으로 C++를 기반으로 하고 있어 실제 비행 다이내믹을 제약 없이 실행할 수 있기 때문입니다. 또한 어떤 하드웨어 구성에도 유연하게 확장할 수 있고, 개발 중 막히는 부분이 있을 때마다 UE 커뮤니티에는 이미 답이 있었습니다.”
이는 언리얼 엔진이 로봇의 자율 동작을 가능하게 하는 소프트웨어 시스템을 위한 리얼타임 시뮬레이터로서 효과적으로 활용될 수 있음을 보여주는 훌륭한 사례입니다.
시뮬레이션 전 과정 지원
언리얼 엔진은 로보틱스 분야에서 인식과 합성 데이터에 강점을 가지고 있지만, 시뮬레이션 전 과정도 지원합니다.에이전트가 환경과 상호작용하며 보상이나 패널티를 통해 학습하는 강화학습(Reinforcement Learning, RL)에서 시뮬레이션 환경의 사실성과 반응성은 학습된 행동이 실제 환경에서 얼마나 효과적으로 이어지는지를 결정합니다.
Gym-UnrealCV와 AirSim의 후속 프레임워크는 드론 내비게이션, 사물 추적, 로봇 제어와 같은 작업을 위해 언리얼 엔진을 강화학습 파이프라인과 통합합니다.
언리얼 엔진의 카오스 피직스 시스템은 리지드 바디 다이내믹, 관절 조인트, 콜리전, 그리고 비히클 다이내믹을 처리합니다. 또한 렌더링은 언리얼 엔진을 활용하고, 접촉 모델링은 MuJoCo 또는 Bullet 엔진을 결합하는 하이브리드 아키텍처가 로보틱스 수준의 물리 시뮬레이션을 위한 모범 사례로 자리 잡고 있습니다.
확장성 측면에서는 Linux 컨테이너, 도커(Docker) 지원, GPU 가속 헤드리스 렌더링을 통해 클라우드 규모의 합성 데이터 생성과 자율성 테스트 파이프라인을 구축할 수 있습니다.
주요 로보틱스 시뮬레이션 플랫폼을 구동하는 핵심 기술
언리얼 엔진은 단순한 렌더링 툴이 아닙니다. 여러 주요 로보틱스 시뮬레이션 플랫폼의 기반을 이루는 핵심 기술입니다.CARLA는 가장 널리 사용되는 오픈소스 자율 주행 시뮬레이터로, 현재 UE 5.5에서 구동되며 LiDAR, 레이더, 다양한 카메라 유형, GPS, 시맨틱 세그멘테이션, ROS2 네이티브 연동을 지원합니다.
UE5 기반으로 개발된 홀로오션은 DVL, IMU, 광학/음향 모뎀과 함께 옥트리(octree) 기반의 새로운 수중 음파 탐지기 센서 모델을 포함한 다중 에이전트 수중 시뮬레이션을 제공합니다. 이는 수중 시뮬레이터 중에서도 드문 기능입니다. 또한 UE5의 루멘과 나나이트는 시뮬레이터의 수중 환경을 더욱 사실적으로 구현할 수 있게 지원합니다.
언리얼 엔진을 기반으로 구축된 듀얼리티 AI 팔콘 디지털 트윈 시뮬레이션 플랫폼은 업계에서 잇따라 인정받고 있습니다. 패스트 컴퍼니(Fast Company)의 세상을 바꾸는 아이디어(World Changing Ideas) 부문을 비롯해 프로덕트 어워즈(Product Awards)의 AI 및 데이터(AI & Data) 부문 최우수 제품상, 그리고 로보틱스 앤 피지컬 AI 어워즈(Robotics and Physical AI Awards)의 데이터 엔진 및 시뮬레이션(Data Engines & Simulation) 부문 등 다양한 부문에서 수상했습니다. 팔콘의 주요 고객으로는 NASA-JPL, 허니웰(Honeywell), 다르파(DARPA) 및 프록터 앤 갬블(Procter & Gamble) 등이 있습니다.
테로랩스(PteroLabs)의 테로심(PteroSim)은 UE5 기반의 UAV 비행 시뮬레이터로, 제이에스비심(JSBSim)의 6자유도(6-DOF) 공기역학 모델을 활용해 고정익, 멀티로터, VTOL, 헬리콥터 항공기를 지원하며, 100대 이상의 드론을 동시에 시뮬레이션할 수 있습니다. 또한 실제 드론에서 사용하는 매브링크(MAVLink) 프로토콜과 지상 관제 소프트웨어를 통해 PX4, ArduPilot과 같은 오토파일럿 펌웨어를 시뮬레이션 안에서 실제처럼 동작하도록 실행할 수 있어, 시뮬레이션과 실제 환경 간 검증을 원활하게 수행할 수 있습니다.
이 플랫폼은 대기 교란 모델링(드라이덴 난류, 돌풍, 마이크로버스트)을 지원하며, 자동화된 테스트 시나리오를 위한 gRPC Python API도 제공합니다. 또한 ML 훈련과 RL 워크플로를 위해 실시간보다 훨씬 빠르게 실행됩니다. 테로심은 다르파 리프트 챌린지(DARPA Lift Challenge) 팀에서 자율 항공기의 비행 전 검증에 활용하고 있습니다.
테로랩스의 창립자 알렉산더 칼미코프(Alexander Kalmykov)는 말합니다. “언리얼 엔진을 선택한 이유는, 비주얼 퀄리티가 뛰어나고 내부적으로 C++를 기반으로 하고 있어 실제 비행 다이내믹을 제약 없이 실행할 수 있기 때문입니다. 또한 어떤 하드웨어 구성에도 유연하게 확장할 수 있고, 개발 중 막히는 부분이 있을 때마다 UE 커뮤니티에는 이미 답이 있었습니다.”
Courtesy of SAS Institute
Industry 4.0
로보틱스, 자동화, 디지털 기술이 융합된 인더스트리 4.0(Industry 4.0)에서는 생산 변경을 가상 환경에서 검증하기 위해 리얼타임 시뮬레이션과 디지털 트윈이 활용됩니다. 이를 통해 실제 적용 전에 자동화 의사결정을 검증함으로써 위험과 비용을 줄일 수 있습니다.SAS는 인더스트리 4.0 분야의 선도 기업으로, 언리얼 엔진의 고퀄리티 시각화와 SAS AI/분석 플랫폼 바이야(Viya)를 결합해 공장 자동화를 위한 지능형 디지털 트윈을 구축하고 있습니다. 조지아 퍼시픽(Georgia-Pacific)과의 파일럿 프로젝트에서는 언리얼 엔진 기반의 SAS 디지털 트윈을 활용해 실제 공장에서 AGV 이동, 품질 관리, 유지보수 계획을 시각화하고 최적화하고 있습니다.
현대 시설은 사람과 로봇이 함께 작업해야 하는 점점 더 복잡한 환경으로 변화하고 있어, 안전성과 효율성이 더욱 중요해지고 있습니다.
SAS의 제조 부문 마케팅 매니저 글린 뉴비(Glynn Newby)는 말합니다. “저희 전략은 포토리얼 시뮬레이션과 AI, 그리고 고급 분석을 결합해 의사결정자들이 더 풍부한 디지털 트윈을 구축하고, 대규모 투자를 결정하기 전에 다양한 시나리오를 검증할 수 있도록 돕는 데 있습니다. 합성 데이터는 언리얼 엔진과 SAS 간에 원활하게 오가며 활용됩니다. 이러한 접근 방식은 전 세계 시설 전반에 걸쳐 생산성, 안전성, 운영 효율성을 크게 향상시킬 수 있는 잠재력을 지니고 있습니다.”
로보틱스 플랫폼으로의 진화
언리얼 엔진이 처음부터 로보틱스 플랫폼으로 설계된 것은 아닙니다. 그러나 합성 데이터의 확산, 시뮬레이션에서 현실로의 전이 기술의 발전, 그리고 포토리얼 센서 시뮬레이션에 대한 수요 증가로 인해 로보틱스 플랫폼으로 자리 잡게 되었습니다.인터랙티브 경험을 위해 설계된 리얼타임 엔진이기 때문에 UE5는 인간 참여형(Human-in-the-loop, HITL) 시뮬레이션, 오퍼레이터 훈련, 원격 제어 인터페이스, XR 경험, 디지털 트윈을 모두 AI 개발에 사용되는 동일한 런타임 환경에서 지원합니다.
팀은 플랫폼을 전환하지 않고도 머신 자율성 기능의 프로토타입을 개발하고, 상호작용 기반 시각화 툴을 구축하며, 휴먼-머신 인터랙션 워크플로를 실험할 수 있습니다.
공장 현장에서 사물을 감지하거나, 도심 교차로를 주행하거나, 수술 중 해부학적 구조를 식별하는 등 실제 환경을 정확하게 인식해야 하는 로보틱스 모델을 개발하는 팀에게 언리얼 엔진은 시뮬레이션 학습부터 실제 적용까지 아우르는 가장 강력한 플랫폼으로 자리 잡고 있습니다.