목표: 2027년 상반기까지 제어 관련 포지션으로 이직. 시뮬레이션에서 로봇 팔 pick-and-place를 Classical Control과 RL 각각으로 구현할 수 있는 상태.

---

이번 주

W10 (3/2 ~ 3/8)

이번 주 목표:

• 3Blue1Brown Essence of Linear Algebra Ep.1~3 시청 + 노트
• Python 환경 세팅 (conda env, numpy/scipy/matplotlib)
• 코테 3문제

날짜	한 일	시간

주간 회고: (주말에 작성)

---

분기별 체크리스트

준비기 (3월): 환경 세팅 + 수학 워밍업

3월은 Q2 본격 시작 전 기반을 다지는 달.

• Python 과학 스택 환경 구축 — conda env 생성, jupyter, numpy, scipy, matplotlib, cvxpy 설치 확인
• 3Blue1Brown Essence of Linear Algebra 완주 (16편) — 각 에피소드 후 핵심 개념 1줄 노트
• NumPy 선형대수 실습 — 행렬곱, 고유값 분해, SVD를 numpy로 직접 계산하는 연습 스크립트 작성
• Underactuated Robotics 강의 환경 확인 — MIT OCW 사이트에서 강의 목차 확인, Drake 설치 or Python 대체 확인
• 코테 12문제+ (프로그래머스 Lv2)

Q2 (4~6월): Classical Control 기초

체크포인트: LQR로 cart-pole 밸런싱 + MPC로 trajectory tracking. 둘 다 Python 구현, GitHub에 노트북 공개.

4월: 선형대수 + 최적화 기초

• Gilbert Strang Ch1~2 (벡터, 연립방정식, 소거법) — 연습문제 각 장 10문제 풀기
• Gilbert Strang Ch3~4 (벡터 공간, 직교성, 고유값) — 연습문제 각 장 10문제 풀기
• Boyd Convex Optimization Ch1~2 (convex set, convex function) — 핵심 정의 정리 노트
• cvxpy로 LP/QP 문제 3개 풀기 — 포트폴리오 최적화, 최소 비용 문제, constrained regression
• 코테 12문제+

5월: LQR + 제어 이론 입문

• Boyd Ch3~4 (최적화 문제 정의, duality 기초) — MPC에 필요한 부분 중심
• Underactuated Robotics Ch1~3 (비선형 동역학, 동적 시스템 기초)
• 상태 공간 모델 이해 — A, B, C, D 행렬, 안정성 판별을 Python으로 구현
• LQR 개념 이해 + cart-pole 밸런싱 구현 — scipy.linalg.solve_continuous_are 사용, 시뮬레이션 시각화
• 산출물: lqr-cartpole.ipynb GitHub 공개
• 코테 12문제+

6월: MPC + Q2 마무리

• Underactuated Robotics Ch4~6 (trajectory optimization, LQR 심화)
• MPC 개념 이해 — prediction horizon, cost function, constraints 정리
• MPC로 trajectory tracking 구현 — double integrator 또는 cart-pole에 MPC 적용, cvxpy 사용
• 산출물: mpc-trajectory-tracking.ipynb GitHub 공개
• Q2 회고 작성 — 배운 것, 부족한 것, Q3 계획 조정
• 코테 12문제+

Q3 (7~9월): 시뮬레이션 + RL

체크포인트: MuJoCo에서 RL로 로봇 팔 pick-and-place 성공. 학습 과정 시각화 + 결과 영상.

7월: MuJoCo + 역기구학

• MuJoCo 설치 + Gymnasium 연동 — 기본 환경 (CartPole, Ant) 실행 확인
• 로봇 팔 모델 로드 — Franka Panda MJCF, joint 제어로 움직여보기
• DH 파라미터 + Forward Kinematics — 2-link, 3-link 로봇으로 FK 직접 구현
• Inverse Kinematics 구현 — Jacobian 기반 IK, MuJoCo에서 end-effector 위치 제어
• 산출물: robot-kinematics.ipynb
• 코테 12문제+

8월: RL 기초 + robosuite

• Spinning Up Part 1 — 핵심 개념 (policy gradient, value function, advantage)
• PPO 알고리즘 이해 + CartPole에서 학습 — stable-baselines3 사용
• SAC 알고리즘 이해 + 연속 action space에서 학습 — MuJoCo 환경
• robosuite 설치 + Franka Panda reach task 실행 — 환경 구조 파악
• 코테 12문제+

9월: RL manipulation + Q3 마무리

• robosuite pick-and-place 환경 셋업 — reward shaping, observation space 이해
• SAC/PPO로 pick-and-place 학습 — 하이퍼파라미터 튜닝, 학습 커브 로깅 (wandb or tensorboard)
• 학습 결과 시각화 — 성공률 그래프 + 로봇 동작 영상 녹화
• 산출물: rl-manipulation/ 레포 GitHub 공개 (코드 + 학습 결과 + README)
• Q3 회고 작성
• 코테 12문제+

Q4 (10~12월): ROS2 + 이직 실행

체크포인트: ros2_control + MoveIt2 파이프라인 데모, 이직 서류 2곳 이상 제출.

10월: ros2_control

• ROS2 Humble 환경 구축 — Docker 또는 네이티브
• ros2_control 튜토리얼 완주 — joint_trajectory_controller로 로봇 팔 제어
• 커스텀 hardware_interface 작성 — 시뮬레이션 로봇에 연결
• 코테 8문제+

11월: MoveIt2 + 포트폴리오

• MoveIt2 튜토리얼 완주 — motion planning pipeline, 충돌 회피
• Franka Panda MoveIt2 데모 — pick-and-place 시나리오
• 산출물: ros2-manipulation-demo/ 레포 GitHub 공개
• 포트폴리오 사이트 업데이트 — Q2~Q4 프로젝트 3개 추가
• 코테 8문제+

12월: 이직 서류 + 면접 준비

• 이력서 업데이트 — 제어 역량 + 시뮬레이션 프로젝트 반영
• 삼성 미래로봇추진단 지원 — manipulation / 로봇 SW 인프라 포지션
• Rainbow Robotics 지원 — manipulation 알고리즘 포지션
• 기술 면접 준비 — 제어 이론 Q&A, RL 알고리즘, 프로젝트 deep dive
• Q4 회고 + 2027 계획 작성

---

주간 기록

W09 (2/24 ~ 3/1)

• 로드맵 작성 및 학습 계획 수립 (2h)

---

주간 루틴

출퇴근 왕복 3시간(편도 1.5h)을 학습의 입력 시간으로, 집을 출력(구현) 시간으로 분리한다. 아이패드 활용.

평일 (월~금)

시간대	하는 일	도구
출근길 (1.5h)	강의 시청 or 교재 읽기	아이패드 (오프라인 다운로드)
퇴근길 (1.5h)	복습 (Anki) + 코테 문제 읽고 풀이 구상	아이패드
집 (1~1.5h)	코딩 구현 — 출퇴근에서 배운 것을 코드로	PC

주말

요일	하는 일	시간
토	프로젝트 집중 개발	3~4시간
일	주간 회고 + 다음 주 계획	30분

출퇴근 → 집 연결 예시

출근길 (입력)	퇴근길 (복습)	집 (출력)
Strang 강의 1편 시청	Anki로 개념 복습	연습문제 numpy로 풀기
Underactuated Robotics 강의	핵심 수식 노트 정리	LQR cart-pole 구현
Spinning Up 문서 읽기	PPO 알고리즘 흐름 복기	stable-baselines3로 학습
Boyd 교재 읽기	최적화 문제 손풀이 구상	cvxpy로 구현
코테 문제 읽기 + 풀이 구상	풀이 검증	코드 작성 + 제출

아이패드 세팅

• 오프라인 강의: YouTube Premium 다운로드 (3B1B, Strang, Underactuated Robotics)
• PDF 교재: Boyd Convex Optimization, Strang Linear Algebra — Books 또는 GoodNotes
• Anki: 수학 공식, 제어 이론 개념, RL 알고리즘 카드
• 코테: 프로그래머스 앱 or Safari

주당 시간 예산

구분	시간
출퇴근 학습 (3h × 5일)	15h
집 구현 (1h × 5일)	5h
토요일 집중	4h
일요일 회고	0.5h
합계	~24.5h/주

---

장기 타임라인

시점	마일스톤
2026.03	환경 세팅, 선형대수 워밍업
2026.06	LQR cart-pole + MPC trajectory tracking 구현
2026.09	MuJoCo RL pick-and-place 성공
2026.12	ros2_control + MoveIt2 데모, 이직 서류 제출
2027 상반기	이직 완료 — 제어 관련 포지션 (삼성/Rainbow/Doosan)
2028	manipulation 실무 1년+, sim-to-real 경험, “FW 전용”에서 탈피
2029	논문 또는 오픈소스 기여 1건+
2030	Manipulation 도메인 시니어 엔지니어

---

이직 타겟

구분	회사	포지션	핵심 요구 스킬
Tier 1	삼성전자 미래로봇추진단	학습 기반 manipulation	RL, imitation learning, 시뮬레이션
Tier 1	Rainbow Robotics	manipulation 알고리즘	로봇 제어, VLA/LLM 경험 우대
Tier 2	Doosan Robotics	협동로봇 제어	역기구학, 임피던스 제어, ROS2
해외	Boston Dynamics, Figure, Agility	Controls Engineer	MPC, RL, sim-to-real

내 차별화 포인트: 8년 임베디드 + 프로덕션 배포 경험 (브릭 0건, CI/CD, OTA). Classical Control + Learning-based를 모두 하면서 실제 하드웨어에 배포할 수 있는 사람.

---

리스크 대응

리스크	대응
수학 학습 곡선이 가파름	깊이보다 실습 중심. 3B1B → Strang → 바로 구현. 막히면 넘어가고 필요할 때 돌아오기
RL 학습 불안정으로 좌절	reach → push → pick-and-place 순으로 난이도 올리기. 처음부터 어려운 task 잡지 말 것
이직 시 제어 경험 부족으로 탈락	GitHub 프로젝트 3개 (LQR, RL manipulation, ROS2 데모)가 실무 경험 부족을 보완
타겟 회사 채용 없음	Doosan, 현대로보틱스, 해외(Figure, Agility)로 확대
번아웃	주 13시간 꾸준히 > 주 20시간 2개월. 분기마다 1주 완전 휴식

---

핵심 리소스

카테고리	리소스
선형대수	3Blue1Brown Essence of Linear Algebra, Gilbert Strang Introduction to Linear Algebra
최적화	Boyd & Vandenberghe Convex Optimization
제어 이론	Russ Tedrake Underactuated Robotics (MIT OCW), Lynch & Park Modern Robotics
RL	OpenAI Spinning Up, Sutton & Barto RL: An Introduction
시뮬레이터	MuJoCo, robosuite, Gymnasium
ROS2	ros2_control 공식 문서, MoveIt2 튜토리얼
코딩 테스트	프로그래머스, NeetCode Blind 75

---

배경: 왜 제어인가

피지컬 AI 시대

NVIDIA Jensen Huang이 “로보틱스의 ChatGPT 모먼트”를 선언했다. 피지컬 AI 스택에서 내 위치:

┌─────────────────────────────────────────┐
│  Foundation Model (VLA, Diffusion)       │  ← 새로 배워야 함
├─────────────────────────────────────────┤
│  Learning-based Control (RL, IL)         │  ← 새로 배워야 함
├─────────────────────────────────────────┤
│  Classical Control (MPC, LQR, 역기구학)   │  ← 일부 보유, 심화 필요
├─────────────────────────────────────────┤
│  시뮬레이션 (MuJoCo, Isaac Sim)           │  ← 새로 배워야 함
├─────────────────────────────────────────┤
│  ROS2 / 미들웨어                          │  ← 학습 중
├─────────────────────────────────────────┤
│  모션 제어 / 센서 퓨전 / RTOS             │  ← 이미 보유 ✓
├─────────────────────────────────────────┤
│  임베디드 HW (MCU, SoC, 통신)             │  ← 이미 보유 ✓
└─────────────────────────────────────────┘

피지컬 AI는 상위 레이어를 추가하는 것이지 하위를 대체하는 게 아니다. 하위 스택을 유지한 채 상위를 쌓으면 희소 인력이 된다.

왜 Manipulation인가

1. 기존 역량 직결 — 토크 예측, S-curve 가감속이 manipulation의 trajectory control과 직접 연결
2. 진입 장벽이 locomotion보다 낮음 — 이족 보행은 동역학이 훨씬 복잡하고 하드웨어 접근성 제한적
3. 시장 수요 폭발 — 휴머노이드 핵심은 “손으로 뭘 할 수 있느냐”. 걷기는 풀리고 있고 manipulation이 병목
4. 시뮬레이션으로 독학 가능 — MuJoCo + robosuite로 집에서 학습 가능

현재 역량 갭

역량	현재	목표	갭
모션 제어 / 센서 퓨전	★★★★	★★★★	유지
ROS2	★★★	★★★★	ros2_control, MoveIt2
선형대수 / 최적화	★★	★★★★	Q2에서 집중 보강
Classical Control (MPC, LQR)	★	★★★	Q2 핵심
역기구학 / 동역학	★	★★★	Q3에서 보강
RL (PPO, SAC)	☆	★★★	Q3 핵심
시뮬레이션 (MuJoCo)	☆	★★★	Q3에서 시작