이번 실습에서 만들 것

이 장의 예상 시간은 약 5분입니다. 준비된 VSCode Server에서 참가자 전용 작업 공간을 만들고, 로봇 팔이 상자를 집고 옮기고 쌓는 과정을 직접 실행합니다. 마지막에는 한국어 지시를 실제 Amazon Bedrock 모델의 작업 계획으로 바꿉니다.

실습 결과물

서비스의 시연은 Part 1 · 움직임의 발견, Part 2 · 정밀 배치, Part 3 · 작업대 재정리로 나뉘며 각 파트에 세 가지 작업이 있습니다. 기본 트랙에서는 Part 1의 옮기기·쌓기로 계획과 물리 검증을 익힙니다. 한 줄 정렬·키트·피라미드와 해체·되돌리기·밀기는 12장의 확장 실습에서 비교합니다.

두 가지 지시를 사용합니다.

빨간 상자만 오른쪽 트레이로 옮겨줘.

파란 상자, 빨간 상자, 주황 상자 순서로 쌓아줘.

첫 지시의 계획에는 red → tray 한 단계만 있어야 합니다. 둘째 지시의 계획에는 blue → red → orange 순서가 있어야 하며, 완성된 타워에서도 파란 상자가 가장 아래에 있어야 합니다. 계획의 문장이 맞는 것과 실제 상자가 안정적으로 놓이는 것은 각각 확인합니다.

AI 코딩 도구의 로그인과 애플리케이션의 Bedrock 호출 권한은 별개입니다. 화면의 시연 시작은 미리 계산된 기록의 재생이며, AI에게 작업 지시에서 계획을 만들고 실행해야 새 물리 결과가 생깁니다.

작업대 위 시뮬레이션 기록에서 MuJoCo / Isaac Sim을 선택하고 같은 시연의 두 엔진 기록을 비교합니다. Isaac 기록은 실제 GPU 실행에서 저장한 결과입니다. 기록 선택과 재생만으로 GPU 작업을 만들지는 않습니다. 새 작업을 실행할 때는 계획과 시뮬레이션 엔진을 확인한 뒤 실행 버튼을 누릅니다. 참가자 기본 환경은 CPU 새 실행을 사용하며 GPU 새 실행은 14–18장의 운영자 환경에서 다룹니다.

트랙과 예상 시간

시간은 일정 편성용 예상치이며, 준비 상태·배포 대기·실습 반복·질문에 맞춰 조정합니다. 트랙별 합계는 전체 완료 시한이 아닙니다. 수업 일수와 휴식·질문 시간은 진행자가 편성합니다.

기본 트랙의 장별 예상 분량은 다음과 같습니다.

00–04장이 기본 트랙입니다. 모델 권한과 지원 모델이 준비되지 않았다면 로컬 실습은 계속할 수 있지만, 실제 Bedrock 호출은 미완료로 기록합니다. 규칙 기반 결과를 모델 호출 결과로 바꾸어 표시하지 않습니다.

전체 AWS 배포는 05–13장의 참가자 AWS 배포 트랙에서 다룹니다. CloudFront 관리형 Prefix List → Public ALB 보안 그룹 → ECS 보안 그룹 → Private Fargate 구성을 만들고 AgentCore Runtime을 연결하는 별도 과정입니다. DNS 등록은 참가자 또는 담당자가 수동으로 수행합니다.

Isaac Sim은 14–18장의 진행자·운영자 트랙입니다. 현재 계정의 기존 VPC에 배포된 gpu-cluster-01 EKS Auto Mode와 Private g6e/g7e Spot, 체크포인트 재개를 다룹니다. 운영자만 해당 명령을 실행하며, 기본 트랙에서는 클러스터나 GPU를 만들지 않습니다. 통제된 NodeClaim·Pod 교체 복구와 실제 EC2 Spot 회수 알림의 관측·주입은 구분합니다. MuJoCo 실습을 마쳤다는 사실만으로 Isaac Sim 실행이나 Spot 복구가 검증되지는 않습니다.

실습 자료 확인

VSCode Server의 터미널에서 실행합니다. 진행자가 다른 위치에 저장했다면 첫 경로만 바꿉니다.

cd /home/ec2-user/my-project/robot-arm
export ROBOT_REPO="$PWD"
test -f "$ROBOT_REPO/workshop/course.json"
test -f "$ROBOT_REPO/shared/contracts.ts"
test -f "$ROBOT_REPO/simulation/runtime.py"
python3 - <<'PY'
import json
from pathlib import Path
course = json.loads(Path("workshop/course.json").read_text())
print(course["title"])
for track in dict.fromkeys(chapter["day"] for chapter in course["chapters"]):
    chapters = [chapter for chapter in course["chapters"] if chapter["day"] == track]
    minutes = sum(chapter["minutes"] for chapter in chapters)
    label = course["dayLabels"][str(track)]
    print(f"{label} ({chapters[0]['id']}–{chapters[-1]['id']}): "
          f"{len(chapters)}개 장, 예상 약 {minutes}분")
PY

세 파일 확인 명령은 성공하면 아무것도 출력하지 않습니다. 마지막 명령은 현재 교재의 제목과 트랙별 예상 분량을 출력합니다.

Physical AI 로봇 워크숍
참가자 기본 (00–04): 5개 장, 예상 약 110분
참가자 AWS 배포 (05–13): 9개 장, 예상 약 280분
진행자·운영자 Isaac Sim · EKS (14–18): 5개 장, 예상 약 195분

파일을 찾지 못하면 압축 교재만 열었는지, 실습용 소스도 제공되었는지 확인합니다. 오프라인 교재 ZIP은 애플리케이션 실행 환경을 대신하지 않습니다.

결과를 설명하는 기준

이 프로젝트의 관측은 시뮬레이터 상태와 알려진 물체 목록입니다. 고수준 AI 계획 다음에 정해진 제어 알고리즘이 동작하며, 학습된 운동 정책은 사용하지 않습니다. 실물 로봇, 카메라 인식, 강화학습, sim-to-real 성능을 검증한 실습으로 설명하지 않습니다. 로봇에 보이는 Franka 이름은 사용한 Panda 모델의 제조사 표기이며 서비스 이름은 Robot Atlas입니다. 자세한 구분은 Physical AI·AgentCore·제어의 경계를 참고합니다.

다음 블록은 터미널 명령이 아닌 AI 코딩 도구에 전달할 프롬프트입니다.

이번 실습은 로컬 MuJoCo와 Bedrock의 고수준 작업 계획을 연결하는 과정입니다.
교재 00장을 읽고, 계획의 타당성과 물리 실행의 성공을 각각 무엇으로 확인하는지 설명해 주세요.
아직 파일을 수정하거나 AWS 자원을 만들지 마세요.
학습된 운동 정책과 실물 로봇 검증이 포함되어 있는지도 정확히 구분해 주세요.

마칠 때 확인

• 세 트랙의 대상·권한과 조정 가능한 예상 시간을 구분했다.
• 기록 재생과 새 물리 실행의 차이를 설명할 수 있다.
• 빨간 상자 한 개 이동, 파랑부터 쌓기, 실패 실험의 완료 기준을 이해했다.
• 실제 모델 호출을 하지 못한 경우 따로 미완료로 기록하기로 했다.

프롬프트: 목표와 증거 확인

다음: 01. 환경과 참가자 작업 공간

AI CLI 프롬프트 카드

아래 프롬프트를 복사해 실습 EC2에서 선택한 Codex, Kiro CLI, Claude Code의 대화 입력창에 붙여넣습니다. Markdown 카드 다운로드

Robot Atlas · Physical AI 로봇 워크숍의 목표를 확인하고 싶습니다.
workshop/chapters/00-orientation.md와 workshop/reference/physical-ai-scope.md를 읽으세요.
기본 트랙은 00–04장, 예상 약 110분이며 로컬 MuJoCo + 실제 Bedrock 직접 계획입니다.
05–13장은 참가자 AWS 배포, 14–18장은 진행자·운영자 Isaac Sim·EKS 트랙입니다.
시간은 준비 상태·배포 대기·실습·질문에 맞춰 조정하는 예상치이며 전체 완료 시한은 없습니다.

다음 두 지시가 완료되었다고 판단할 근거를 각각 설명하세요.
- 빨간 상자만 오른쪽 트레이로 옮겨줘
- 파란 상자, 빨간 상자, 주황 상자 순서로 쌓아줘

1. 계획 JSON에서 확인할 필드와 물리 결과에서 확인할 필드를 나눠 설명하세요.
2. 힘을 주지 못하는 그리퍼의 실패 실험이 왜 필요한지 설명하세요.
3. 기록 재생, 새 물리 실행, 실제 모델 호출을 구분하세요.
4. 모델 권한이 없는 참가자가 무엇을 완료하고 무엇을 미완료로 남겨야 하는지 적으세요.
5. AgentCore·전체 AWS 배포는 참가자 AWS 트랙이고, EKS Auto Mode·Isaac Sim 운영 명령은 진행자·운영자 전용이라고 밝혀 주세요.

학습된 운동 정책, 카메라 인식, 실물 로봇 검증을 수행했다고 표현하지 마세요.
파일을 수정하거나 서버·AWS 자원을 만들지 말고, 교재에 있는 근거로 답하세요.