Apollo 2 휴머노이드, Mercedes-Benz 분류 개념 증명에서 96% 성공률 달성

Google DeepMind는 2026년 11월 10일 Gemini Robotics 2.5를 공개하며, Apptronik의 Apollo 2 휴머노이드 로봇이 가동 중인 Mercedes-Benz 생산 라인에서 자동차 부품을 분류하는 개념 증명에서 96%의 성공률을 기록했다고 밝혔다.

Gemini Robotics 2.5는 시각 및 언어 이해를 로봇 동작과 연결하는 시각-언어-행동(VLA) 모델이다. DeepMind는 이 모델을 로봇공학 파트너사에 출시하고 있다. 공식 모델 페이지에는 탁상형 로봇 팔부터 완전한 휴머노이드 로봇 본체까지 제어할 수 있으며, 걷고 쪼그려 앉고 몸을 굽힐 때 동적으로 균형을 유지하는 기능이 설명되어 있고, 얼리 액세스 대기자 명단도 제공된다.

Apollo 2, 자동차 부품 키팅 작업 수행

공장 작업은 헝가리 케치케메트와 독일 진델핑겐에 있는 Mercedes-Benz 공장에서 진행됐으며, DeepMind와 Apptronik, 자동차 제조업체가 가동 중인 생산 라인에서 Apollo 2를 운용했다. 개념 증명에서 휴머노이드는 대량 부품 보관함에서 부품을 자율적으로 분류해 각 차량에 필요한 정확한 순서대로 배열된 트레이에 담았다.

두 모델이 작업 흐름을 나눠 맡았다. Gemini Robotics ER이 진행 상황을 추적하고, Gemini Robotics 2.5는 휴머노이드의 손과 팔을 움직여 부품 공급함에서 금속 자동차 브래킷을 꺼내 순서 배열용 컨테이너에 넣은 다음, 빠진 부품이 있으면 바로잡았다. 시험에 사용된 Apollo 2 구성에는 자유도가 22개인 다섯 손가락형 SharpaWave 핸드가 장착됐다. DeepMind는 이러한 반복적인 준비 작업을 자동화하면 조립 라인을 계속 가동하는 한편 기술자는 복잡한 조립 작업에 집중할 수 있다고 설명한다.

Apptronik의 공동 창업자 겸 CEO인 Jeff Cardenas는 다음과 같이 말했다.

“Apollo 2와 Gemini Robotics를 결합한 결과, 사후 학습을 불과 몇 주 진행했는데도 모델 성능이 크게 향상됐고, 그 성능이 거의 저하되지 않은 채 Mercedes-Benz 생산 현장으로 이어지는 것을 확인했습니다.”

손재주 향상과 안전성 평가

공장 작업 외에도 평가 항목에는 집게로 음식을 담고, 선물 상자 리본을 묶고, 피펫으로 액체를 옮기는 등 서로 다른 과제가 200개 넘게 포함됐다. 이 과제들은 고급 도구 사용, 변형 가능한 물체의 복잡한 조작, 섬세한 물품을 신중하게 다루는 능력을 함께 시험했다. DeepMind에 따르면 모델은 과제 유형에 따라 이전 기준 모델보다 성공률이 30%에서 100% 높았으며, 과제를 완료하는 데 걸린 시간도 20%에서 30% 짧았다.

물리적 안전을 위해 이 모델은 추론 시점에 추론 가이던스를 적용해 실시간으로 위험 요소를 피하도록 한다. DeepMind의 평가에서 장애물 주변의 안전한 과제 수행률은 33%, 가까이에 사람이 있는 환경에서는 43% 향상됐다. 이번 공개에서는 여러 단계에 걸쳐 안전을 유지해야 하는 장기 에이전트 과제도 다룬다.

DeepMind는 수십 가지 상황에서 프롬프트가 안전하지 않은 요청을 위장하는 오픈소스 벤치마크 ASIMOV-Jailbreak도 공개했다. DeepMind에 따르면 Gemini 4 Argon의 탈옥 저항률은 99.5%로, 이전 기준 모델인 Gemini Robotics ER 2의 82%보다 높았다. 저장소에는 MIT 라이선스에 따라 평가 코드와 데이터가 제공된다.

멀티턴 V3 적대적 평가는 15개 전략 그룹에 걸친 샘플 845개로 구성되며, 최대 10단계까지 허용한다. 이 평가는 동작 도구 호출을 결정론적으로 검사하는 방식과 대규모 언어 모델 평가자를 결합한다. 짝을 이룬 유해 및 무해한 탁상 조작 과제를 통해 평가 도구는 공격 성공률과 무해한 요청에 대한 과도한 거부를 함께 측정한다. 이를 통해 모델이 안전하지 않은 지시는 거부하면서도 안전한 작업까지 거부하지 않는지 시험한다.

Gemini 4 Argon을 활용한 시뮬레이션 학습

DeepMind는 Gemini 4 Argon이 시뮬레이션을 통해 Gemini Robotics 2.5의 개발을 앞당겼다고 설명한다. Argon은 실제 환경을 촬영한 카메라 장면을 바탕으로 다양한 연습 실행을 수천 건 생성하고, 현실감 있는 디지털 트윈을 구축할 수 있다. 실제 학습 시연과 결합한 이러한 실행 데이터는 로봇이 새로운 장면과 물체에 더 빠르게 일반화하는 데 도움이 된다. 연구자들은 Argon을 활용해 동영상에서 과제 실패 원인을 제안받고, 시뮬레이션과 실제 로봇에서 개선 사항을 시험할 수도 있다.

2026년 10월 13일 개발자 게시물에는 별도의 실험에서 이 접근법을 적용한 과정이 기록되어 있다. 실제 탁상 장면을 촬영한 컬러 사진 한 장으로 시작해, Argon이 이를 보정된 MuJoCo 물리 시뮬레이션으로 재구성한 뒤 조건을 무작위화한 학습 에피소드를 4,500회 넘게 생성했다. Google은 그 결과 실제 로봇의 성공률이 56%에서 75%로 상승하고, 완료 시간은 35초에서 24초로 줄었다고 밝혔다.

앞선 이 실험은 Gemini Robotics 2.5 벤치마크는 아니지만, 이번 공개의 토대가 된 개발 과정을 보여준다. 산업용 로봇공학의 관점에서 이번 발표는 시뮬레이션 데이터 생성, 하드웨어 제어, 적대적 안전성 테스트를 하나의 작업 흐름으로 연결한다. 남은 과제는 이 작업 흐름이 시연된 키팅 작업을 넘어 다른 로봇과 작업 환경에도 얼마나 일관되게 적용되는지 확인하는 것이다.