DEV Community

Richard Minsoo Go
Richard Minsoo Go

Posted on

Multi Robot and Swarm Physical AI — Ch.10: Case Studies [KR]

STATERA Library · Series 09 · Volume 09 · Chapter 10 · KR
Source: https://github.com/Statera-Library/09_Vol_09_Multi_Robot_and_Swarm_Physical_AI/blob/main/Chapter_10_Case_Studies/Chapter_10_Case_Studies_KR.md

Volume 09. Multi Robot and Swarm Physical AI

Chapter 10. Case Studies

10.01. Warehouse AMR Fleet

창고 자율이동로봇 군집(Warehouse AMR Fleet)은 다수의 자율이동로봇(Autonomous Mobile Robot, AMR)이 공간, 인프라, 작업, 운영 목표를 지속적으로 공유해야 한다는 점에서 다중 로봇 피지컬 AI(Multi-Robot Physical AI)의 가장 명확한 실제 사례 중 하나이다. 단일 AMR이 독립적인 임무를 수행하는 것과 달리, 군집은 개별 로봇의 주행 결정이 교통 흐름, 작업 완료, 혼잡, 안전, 전체 창고 생산성에 영향을 미치는 하나의 조정된 물리 시스템(Coordinated Physical System)으로 동작한다.

운영 환경(Operating Environment)은 일반적으로 보관 랙(Storage Rack), 피킹 스테이션(Picking Station), 컨베이어(Conveyor), 충전 구역(Charging Area), 엘리베이터(Elevator), 출입문(Door), 스테이징 구역(Staging Zone), 작업자 공간(Human Workspace) 등으로 구성된다. 각 AMR은 로컬 인지(Local Perception)와 위치추정 상태(Localization State)를 유지하며, 군집은 로봇 위치, 활성 임무, 교통 상황, 자원 점유 상태, 운영 우선순위 등에 대한 보다 광범위한 정보를 유지한다. 이러한 로컬 자율성(Local Autonomy)과 공유 컨텍스트(Shared Context)의 결합을 통해 시스템은 전체적인 조정을 유지하면서도 신속하게 대응할 수 있다.

창고 임무(Warehouse Mission)에는 팔레트 운송(Pallet Transport), 토트 이동(Tote Movement), 재고 보충(Replenishment), 주문 처리(Order Fulfillment), 생산라인 자재 공급(Production-Line Feeding), 빈 용기 회수(Empty-Container Return), 자동화 설비 간 운송 등이 포함될 수 있다. 군집 작업 관리자(Fleet Task Manager)는 창고 요청을 실행 가능한 로봇 임무로 변환하고 위치, 가용성, 배터리 상태, 적재 능력, 예상 이동 시간, 임무 우선순위를 고려하여 할당한다. 따라서 작업 할당(Task Allocation)은 단순한 명령 대기열이 아니라 지속적인 최적화 과정(Continuous Optimization Process)이 된다.

운영 중 수요가 변화하면 동적 작업 할당(Dynamic Task Allocation)이 특히 중요해진다. 특정 운송 요청에 처음 배정된 AMR이 지연되거나, 혼잡을 만나거나, 충전이 필요하거나, 고장을 보고할 수 있다. 군집 시스템은 상황을 다시 평가하고 대기 중인 작업을 다른 로봇으로 이전할 수 있다. 이러한 기능은 동적 재할당 및 재계획(Dynamic Reallocation and Replanning)을 보여주며, 창고 운영을 다중 로봇 아키텍처(Multi-Robot Architecture)의 작업 할당 원칙과 직접 연결한다.

군집 규모의 내비게이션(Fleet-Scale Navigation)은 개별 로봇의 독립적인 최단경로 계획 이상의 기능을 요구한다. 모든 로봇이 로컬 관점에서 최적 경로를 선택하면 여러 AMR이 동일한 좁은 통로나 교차로로 집중되어 혼잡이 발생할 수 있다. 따라서 군집 인지형 경로계획(Fleet-Aware Planning)은 예측된 로봇 궤적, 교차로 점유, 방향별 교통 정책, 제한 구역, 시간 기반 예약(Temporal Reservation)을 고려한다. 목표는 개별 로봇의 이동거리 최소화에서 전체 군집의 처리량과 안정성 향상으로 확장된다.

교통 조정(Traffic Coordination)은 중앙집중형 스케줄링(Centralized Scheduling)과 분산형 충돌 회피(Decentralized Collision Avoidance)를 결합할 수 있다. 군집 계층(Fleet Layer)은 주요 통로, 교차로, 도킹 지점, 공유 자원을 예약하고, 각 AMR은 즉각적인 장애물 회피와 비상 대응에 대한 권한을 유지할 수 있다. 이러한 하이브리드 아키텍처(Hybrid Architecture)는 군집 관리자가 모든 저수준 모션 결정을 담당하지 않으면서도 로봇 간 충돌을 해결해야 하는 영역에서는 시스템 전체의 조정을 유지하도록 한다.

통신(Communication)은 이러한 조정을 가능하게 하는 정보 흐름을 제공한다. 로봇은 위치, 속도, 임무 상태, 배터리 상태, 건전성 정보(Health Information), 관련 환경 관측 정보를 군집 인프라와 주기적으로 교환한다. 모든 센서 측정값을 전송할 필요는 없다. 이벤트 기반 통신(Event-Based Communication)과 의미 기반 통신(Semantic Communication)은 차단된 통로, 위치추정 성능 저하, 도킹 실패, 예상하지 못한 장애물, 새롭게 사용할 수 없게 된 스테이션 등 의사결정을 변화시키는 정보를 우선적으로 전달할 수 있다.

공유 월드 메모리(Shared World Memory)는 군집 운영을 순간적인 로봇 상태 정보 이상으로 확장한다. 하나의 AMR이 차단된 통로, 주행하기 어려운 바닥, 임시 공사 구역, 반복적으로 혼잡이 발생하는 위치를 발견하면 해당 경험을 공유 공간 및 의미 지식(Shared Spatial and Semantic Knowledge)에 통합할 수 있다. 다른 로봇은 동일한 상황을 직접 경험하기 전에 경로를 수정할 수 있다. 이를 통해 개별 경험이 군집 수준의 운영 지식(Fleet-Level Operational Knowledge)으로 전환된다.

공유 주행가능성 정보(Shared Traversability Information)는 서로 다른 영역을 얼마나 쉽게 통과할 수 있는지를 더욱 세밀하게 표현할 수 있다. 창고 공간을 단순히 자유 공간과 점유 공간으로 구분하는 대신 예상 통과 시간, 혼잡 확률, 위치추정 신뢰도, 바닥 상태, 작업자 활동, 과거 실패 빈도 등을 위치와 연결할 수 있다. 경로계획은 기하학적 거리뿐 아니라 운영 위험과 예상 지연을 함께 고려하게 되며, 다수 로봇에서 축적된 경험을 활용하여 미래의 경로 선택을 개선할 수 있다.

충전(Charging) 역시 집단적 자원 관리(Collective Resource Management)의 문제이다. 배터리가 임계 수준까지 떨어진 이후에만 로봇을 충전기로 보내면 대기열이 발생하고 군집의 작업 용량이 감소할 수 있다. 조정된 시스템은 예정된 임무, 로봇 위치, 충전기 가용성, 배터리 상태를 기반으로 미래 에너지 수요를 예측한다. 이후 수요가 낮은 시간대에 충전을 분산하거나 기회 충전(Opportunity Charging)을 수행함으로써 충분한 활성 로봇 수를 유지하면서 너무 많은 로봇이 동시에 운영에서 이탈하는 것을 방지할 수 있다.

집단 학습(Collective Learning)은 장기적으로 군집을 개선하는 메커니즘을 제공한다. 여러 로봇에서 수집된 경험은 반복되는 위치추정 실패, 비효율적인 경로, 도킹 문제, 비정상적인 휠 슬립(Wheel Slip), 특이한 교통 패턴, 지연과 관련된 임무 구성을 식별하는 데 활용될 수 있다. 군집 데이터를 선별하고 활용하여 인지 모델, 경로계획 정책, 작업 할당 전략, 예측 유지보수 모델(Predictive Maintenance Model)을 개선함으로써 운영 경험이 이후의 운영 성능을 지속적으로 향상시키는 데이터 플라이휠(Data Flywheel)을 형성할 수 있다.

이러한 지능(Intelligence)은 엣지(Edge), 온프레미스(On-Premise), 클라우드(Cloud) 컴퓨팅 계층에 분산될 수 있다. 안전 필수 인지(Safety-Critical Perception), 위치추정, 장애물 회피, 즉각적인 제어는 낮은 지연시간과 네트워크 성능 저하 상황에서도 지속적인 동작이 필요하므로 각 로봇 가까이에 유지된다. 온프레미스 시스템은 군집 상태, 교통 조정, 공유 메모리, 스케줄링, 운영 분석을 담당할 수 있으며, 클라우드 자원은 대규모 이력 분석, 모델 학습, 사이트 간 지식 집계(Cross-Site Knowledge Aggregation)를 지원할 수 있다.

신뢰성(Reliability)을 확보하려면 개별 구성요소에 장애가 발생하더라도 창고 운영이 지속되어야 한다. 하나의 AMR을 사용할 수 없게 되면 완료되지 않은 임무를 격리하고 나머지 군집을 불안정하게 만들지 않으면서 다른 로봇에 재할당해야 한다. 통신 성능이 저하되는 경우에도 전체 운영을 즉시 중단하기보다는 로봇을 제한된 로컬 자율성(Restricted Local Autonomy)으로 전환할 수 있다. 따라서 점진적 성능 저하(Graceful Degradation)는 운영 및 안전 조건이 허용하는 범위에서 장애를 군집 전체의 중단이 아닌 제한된 로컬 이벤트로 전환한다.

고도로 자율화된 창고에서도 인간 감독(Human Supervision)은 여전히 필수적이다. 운영자는 임무 대기열, 로봇 건전성, 교통 병목, 충전 상태, 경보, 차단 구역, AI 신뢰도(AI Confidence)를 파악할 수 있어야 한다. 정상적인 로봇 움직임을 사람이 직접 제어하기보다는 점차 예외 상황과 운영 정책을 감독하는 방향으로 역할이 변화한다. 따라서 인터페이스는 임무가 지연되는 이유, 로봇이 재할당된 이유, 작업자의 개입이 필요한 위치를 설명하여 인간 감독을 군집 수준의 의사결정 지원(Fleet-Level Decision Support)으로 전환해야 한다.

성능(Performance)은 궁극적으로 시스템 수준에서 평가되어야 한다. 주요 지표에는 시간당 완료 임무 수, 평균 임무 지연시간, 로봇 활용률, 공차 이동(Empty Travel), 혼잡 시간, 충전 효율, 작업자 개입 빈도, 장애 복구 시간, 가용성(Availability) 등이 포함된다. 개별적으로 효율적인 로봇이 반드시 효율적인 창고를 만드는 것은 아니다. 군집 지능(Fleet Intelligence)의 성공은 조정된 의사결정을 통해 전체 처리량, 복원력, 예측 가능성, 안전성, 총 운영 경제성을 향상시키는 데 있다.

따라서 창고 AMR 군집(Warehouse AMR Fleet)은 자율 로봇(Autonomous Robot)에서 집단 피지컬 AI(Collective Physical AI)로 전환되는 과정을 보여준다. 작업 할당, 통신, 공유 월드 메모리, 교통 조정, 분산 의사결정(Distributed Decision Making), 집단 학습, 런타임 보증(Runtime Assurance), 군집 규모 오케스트레이션(Fleet-Scale Orchestration)은 독립적인 모듈이 아니라 서로 연결된 능력으로 동작한다. 창고는 다수의 로봇이 경험을 공유하면서 공동의 운영 목표를 향해 행동하는, 지속적으로 관측되고 조정되는 물리 환경으로 변화한다.

규모가 더욱 커지면 군집은 중앙집중형 로봇 관리(Centralized Robot Management)에서 계층형 지능 아키텍처(Layered Intelligence Architecture)로 발전할 수 있다. 개별 로봇은 체화된 인지와 행동(Embodied Perception and Action)을 제공하고, 군집 서비스는 관계적·운영적 조정(Relational and Operational Coordination)을 제공하며, 공유 학습(Shared Learning)은 축적된 경험을 개선된 정책과 모델로 전환한다. 중요한 변화는 단순히 로봇 10대를 수백 대로 늘리는 것이 아니라, 다수의 자율 기계를 관리하는 단계에서 하나의 일관된 시스템으로 적응할 수 있는 분산 물리 지능(Distributed Physical Intelligence)을 유지하는 단계로 전환하는 것이다.

결과적으로 이 사례 연구(Case Study)는 다중 로봇 및 군집 피지컬 AI(Multi-Robot and Swarm Physical AI)의 주요 주제를 하나의 실제 배치 시나리오에 통합한다. 창고 군집은 로컬 자율성과 글로벌 목표가 어떻게 공존할 수 있는지, 개별 관측이 어떻게 공유 지식으로 전환되는지, 장애·불확실성·교통·에너지·변화하는 작업량을 어떻게 집단적으로 관리할 수 있는지를 보여준다. 이는 공장, 야외 물류, 검사, 인프라, 대규모 자율 운영에서 더욱 복잡한 이기종 군집(Heterogeneous Fleet)을 이해하기 위한 구체적인 기반을 제공한다.

10.02. Outdoor AMR and Logistics Fleet

야외 자율이동로봇 및 물류 군집(Outdoor AMR and Logistics Fleet)은 다중 로봇 피지컬 AI(Multi-Robot Physical AI)를 구조화된 실내 창고에서 개방적이고 동적이며 지리적으로 분산된 환경으로 확장한다. 로봇은 공장, 물류 야드, 캠퍼스, 항만, 건설 현장, 산업 시설에서 팔레트, 컨테이너, 공구, 자재, 소포, 장비 등을 운송할 수 있다. 군집 지능(Fleet Intelligence)은 지형, 날씨, 교통, 통신 범위, 변화하는 운영 조건을 고려하면서 이러한 임무를 조정해야 한다.

실내 창고와 비교하면 야외 물류 환경(Outdoor Logistics Environment)은 공간적·환경적 불확실성이 훨씬 크다. 도로에는 경사면, 불규칙한 포장, 자갈, 진흙, 연석, 배수 시설, 임시 장애물뿐 아니라 보행자와 차량이 혼재할 수 있다. 조명과 기상 조건도 빠르게 변화한다. 따라서 각 로봇에는 강건한 위치추정(Localization), 인지(Perception), 주행가능성 추정(Traversability Estimation), 모션 계획(Motion Planning)이 필요하며, 군집은 공유된 운영 조건을 보다 광범위하게 표현해야 한다.

위치추정(Localization)은 단일 센싱 기술에만 의존할 수 없다. 위성항법시스템(GNSS)은 개방된 공간에서 전역 위치(Global Positioning)를 제공하지만 건물, 컨테이너, 나무, 기반시설 주변에서는 성능이 저하될 수 있다. 라이다(LiDAR), 카메라(Camera), 관성 센서(Inertial Sensor), 휠 오도메트리(Wheel Odometry), 지도 기반 위치추정(Map-Based Localization)은 상호 보완적인 정보를 제공할 수 있다. 강건한 야외 AMR은 자신의 위치뿐 아니라 위치추정 불확실성(Localization Uncertainty)도 추정하여 신뢰도가 낮아질 때 계획과 군집 조정을 적응시킬 수 있다.

야외 인지(Outdoor Perception)는 기하학적 장애물뿐 아니라 운영적으로 의미 있는 객체도 인식해야 한다. 시스템은 보행자, 지게차, 트럭, 주차 차량, 팔레트, 게이트, 건설 장비, 잔해, 식생, 일시적인 제한 구역 등을 마주할 수 있다. 따라서 환경 해석(Environmental Interpretation)은 단순한 장애물 검출을 넘어 접근 가능한 영역, 위험한 영역, 일시적으로 사용할 수 없는 영역, 특정 운영 규칙이 적용되는 영역을 의미적으로 이해하는 방향으로 확장된다.

주행가능성(Traversability)은 야외 군집 지능(Outdoor Fleet Intelligence)의 핵심 요소가 된다. 기하학적으로 개방된 영역이라고 해서 모든 로봇이 안전하고 효율적으로 주행할 수 있는 것은 아니다. 노면 거칠기, 경사, 마찰력, 물, 진흙, 지상고, 적재량, 휠 구성, 로봇의 이동 특성이 경로의 실질적인 주행 가능성을 결정한다. 주행가능성 지도(Traversability Map)는 이러한 요소를 표현하고 서로 다른 로봇이 자신의 물리적 체화 특성(Physical Embodiment)에 적합한 경로를 선택하도록 능력 인지형 비용(Capability-Aware Cost)을 제공할 수 있다.

공유 주행가능성(Shared Traversability)을 활용하면 하나의 로봇이 획득한 물리적 경험을 전체 군집이 활용할 수 있다. AMR이 휠 슬립(Wheel Slip), 과도한 진동, 고인 물, 험난한 지형, 예상하지 못한 장애물을 감지하면 해당 관측을 위치, 시간, 로봇 구성, 신뢰도와 연결할 수 있다. 다른 로봇은 해당 지역에 도달하기 전에 회피하거나 속도를 낮출 수 있다. 결과적으로 군집 월드 메모리(Fleet World Memory)는 개별적인 이동 경험을 재사용 가능한 집단 지식(Collective Knowledge)으로 전환한다.

물류 요청(Logistics Request)은 픽업 지점, 배송 목적지, 적재 제약, 마감시간, 우선순위, 필요한 자원을 포함하는 임무로 변환된다. 군집 작업 할당(Fleet Task Allocation)은 로봇 가용성, 위치, 적재 능력, 배터리 상태, 예상 경로 비용, 환경 조건, 현재 작업량을 평가한다. 따라서 최적의 로봇은 반드시 가장 가까운 로봇이 아니라 현재의 물리적 조건에서 해당 임무를 안전하고 효율적으로 완료할 가능성이 가장 높은 플랫폼이다.

동적 재계획(Dynamic Replanning)은 임무 수행 중에도 야외 조건이 변화할 수 있기 때문에 필수적이다. 차량으로 인해 도로가 차단되거나, 게이트가 닫히거나, 날씨로 인해 주행가능성이 저하되거나, 다른 로봇에 장애가 발생할 수 있다. 군집은 공유 상태(Shared State)를 갱신하고 경로를 다시 계산하며 스케줄을 조정하고 임무를 재할당할 수 있다. 이러한 지속적인 적응은 물리적 인지(Physical Perception)를 다중 로봇 작업 할당 및 운영 의사결정과 직접 연결한다.

AMR이 일반 차량 및 사람과 도로를 공유하면 교통 조정(Traffic Coordination)은 더욱 복잡해진다. 군집 계획(Fleet Planning)은 선호 경로, 방향별 차선, 속도 제한 구역, 교차로, 대기 구역, 우선순위 규칙을 정의할 수 있다. 시간 기반 예약(Temporal Reservation)을 통해 좁은 통로나 공유 적재 구역을 조정할 수도 있다. 로컬 로봇 제어기(Local Robot Controller)는 즉각적인 충돌 회피를 수행하고, 군집 수준 서비스는 로봇들이 실제로 마주치기 전에 충돌 가능성을 줄인다.

통신(Communication)은 간헐적 연결과 성능 저하를 견딜 수 있어야 한다. 야외 로봇은 와이파이(Wi-Fi), 사설 셀룰러(Private Cellular), 5G 또는 기타 통신 영역 사이를 이동할 수 있으며 일부 지역에서는 일시적으로 제한된 대역폭만 사용할 수 있다. 따라서 로봇은 군집과 지속적으로 연결되지 않더라도 안전한 운영을 계속할 수 있는 충분한 로컬 자율성(Local Autonomy)을 가져야 한다. 중요한 상태 변화는 통신이 복구될 때 동기화하고 안전 필수 결정(Safety-Critical Decision)은 로컬에서 실행할 수 있어야 한다.

의미 기반 및 이벤트 기반 통신(Semantic and Event-Based Communication)은 불필요한 네트워크 트래픽을 줄일 수 있다. 로봇은 원시 센서 스트림을 지속적으로 전송하는 대신 "경로 차단(Route Blocked)", "지형 상태 저하(Terrain Degraded)", "도킹 지점 사용 불가(Dock Unavailable)", "위치추정 불확실(Localization Uncertain)", "임무 지연(Mission Delayed)"처럼 군집 의사결정을 변화시키는 정보를 보고할 수 있다. 이를 통해 통신은 지속적인 데이터 복제가 아니라 운영 중요도에 따라 정보를 우선화하는 조정 자원(Coordination Resource)으로 전환된다.

야외 임무는 더 긴 거리를 이동하고 에너지 소비 변동도 크기 때문에 에너지 관리(Energy Management)가 특히 중요하다. 적재 질량, 지형, 경사, 온도, 속도, 경로 조건은 배터리 소비량에 영향을 줄 수 있다. 군집 스케줄링(Fleet Scheduling)은 임무별 에너지 요구량을 추정하고 충전을 조정하여 충분한 수의 로봇을 운영 상태로 유지하면서 차량이 할당된 경로를 안전하게 완료하지 못하는 상황을 방지할 수 있다.

군집 월드 메모리(Fleet World Memory)는 지도 이상의 정보를 유지할 수 있다. 성공한 경로, 실패한 주행, 복구 행동, 혼잡 이력, 도킹 성능, 통신 품질, 위치추정 신뢰도, 환경 관측 정보를 저장할 수 있다. 야외 환경은 시간에 따라 변화하므로 각각의 메모리 요소에는 시간적 컨텍스트(Temporal Context)와 불확실성(Uncertainty)이 포함되어야 한다. 오래된 관측 정보는 시간이 지나면서 감쇠하거나 새로운 증거가 물리적 조건의 변화를 나타내면 최신 정보로 대체될 수 있다.

상충하는 관측(Conflicting Observations) 역시 해결해야 한다. 하나의 로봇은 특정 경로를 주행 가능하다고 판단하지만 다른 로봇은 적재량, 크기, 타이어, 센서, 환경 조건이 다르기 때문에 주행에 어려움이 있다고 보고할 수 있다. 따라서 군집 메모리는 모든 관측을 하나의 보편적인 값으로 강제 통합하기보다 관련 컨텍스트를 보존해야 한다. 능력 인지형 지식(Capability-Aware Knowledge)을 통해 동일한 환경도 서로 다른 로봇 체화(Embodiment)에 따라 다르게 해석할 수 있다.

집단 학습(Collective Learning)은 다수의 차량에서 수집된 운영 데이터를 활용할 수 있다. 반복적인 군집 경험을 통해 휠 슬립과 관련된 지형, 과도한 에너지 소비가 발생하는 경로, 위치추정 성능이 자주 저하되는 장소, 지연을 발생시키는 교통 패턴을 발견할 수 있다. 이러한 관측은 인지, 주행가능성 추정, 경로계획, 스케줄링, 예측 유지보수(Predictive Maintenance), 운영 정책을 개선하여 반복적인 배치를 통해 군집 데이터 플라이휠(Fleet Data Flywheel)을 형성한다.

계층형 컴퓨팅 아키텍처(Layered Computing Architecture)는 즉각적인 물리적 자율성(Physical Autonomy)과 보다 광범위한 집단 지능(Collective Intelligence)을 분리한다. 로봇 엣지(On-Robot Edge) 시스템은 인지, 위치추정, 로컬 계획, 제어, 안전 기능을 실행한다. 온프레미스 군집 서비스(On-Premise Fleet Services)는 오케스트레이션, 작업 할당, 교통 조정, 공유 월드 메모리, 운영 모니터링을 수행할 수 있다. 클라우드 인프라(Cloud Infrastructure)는 이력 분석, 대규모 학습, 모델 관리, 여러 사이트의 지식 집계를 지원할 수 있다.

복원력(Resilience)을 확보하려면 모든 로컬 장애가 시스템 전체의 중단으로 이어지지 않도록 로봇 손실, 네트워크 중단, 센서 성능 저하, 변화하는 환경 조건을 군집이 견딜 수 있어야 한다. 장애가 발생한 로봇의 임무를 재할당하고 위험 지역을 일시적으로 제외하며 연결이 끊긴 로봇을 제한된 자율 모드(Restricted Autonomous Mode)로 전환할 수 있다. 점진적 성능 저하(Graceful Degradation)는 정의된 안전 제약을 유지하면서 물류 시스템이 유용한 운영 능력을 보존하도록 한다.

인간 운영자(Human Operator)는 주로 임무 및 예외 상황 수준에서 군집을 감독한다. 운영자는 로봇 위치, 활성 임무, 경로 제한, 배터리 상태, 환경 위험, 통신 품질, 장애, 불확실한 AI 의사결정을 파악할 수 있어야 한다. 효과적인 감독을 통해 정상적인 로봇 움직임을 직접 제어하지 않으면서 우선순위를 변경하고, 예외 행동을 승인하고, 위험 지역을 격리하거나, 자율 복구가 충분하지 않은 경우 개입할 수 있다.

군집 성능(Fleet Performance)은 개별 로봇의 속도만이 아니라 집단적 결과(Collective Outcomes)를 통해 평가해야 한다. 관련 지표에는 완료된 임무 수, 배송 지연시간, 무적재 이동거리, 임무당 에너지 소비량, 혼잡 지연, 충전기 활용률, 작업자 개입률, 임무 실패율, 복구 시간, 군집 가용성(Fleet Availability) 등이 포함된다. 야외 물류 지능은 환경적 불확실성과 분산 운영에도 불구하고 조정을 통해 처리량과 신뢰성을 향상시킬 때 성공적이라고 평가할 수 있다.

따라서 야외 AMR 및 물류 군집(Outdoor AMR and Logistics Fleet)은 다중 로봇 피지컬 AI(Multi-Robot Physical AI)가 분산 인지(Distributed Perception), 능력 인지형 작업 할당(Capability-Aware Task Allocation), 통신, 공유 주행가능성, 군집 월드 메모리, 동적 재계획, 집단 학습을 어떻게 결합하는지를 보여준다. 개별 로봇은 물리적으로 자율성을 유지하지만 각 로봇의 관측과 경험은 군집이 환경을 이해하고 행동하는 방식을 지속적으로 개선하는 더 큰 운영 지능(Operational Intelligence)에 기여한다.

더 큰 규모에서는 이러한 아키텍처가 여러 물류 구역, 시설, 로봇 유형을 하나의 공유 지능 시스템(Shared Intelligence System)으로 연결할 수 있다. 환경과 체화의 차이를 적절하게 표현한다면 한 장소에서 학습한 지식을 다른 장소에서도 활용할 수 있다. 결과적으로 시스템은 단순한 군집 관리(Fleet Management)를 넘어 다수의 로봇이 공동으로 경험을 축적하고 자원을 조정하며 변화하는 조건에 적응하고 물리 세계 전반에서 복원력 있는 물류 운영을 유지하는 집단 물리 지능(Collective Physical Intelligence)으로 발전한다.

10.03. Multi Robot Inspection System

다중 로봇 검사 시스템(Multi-Robot Inspection System)은 넓은 영역, 복잡한 자산 또는 분산된 인프라를 반복적이고 신뢰성 있게 검사해야 하는 환경에 다중 로봇 피지컬 AI(Multi-Robot Physical AI)의 원리를 적용한다. 하나의 로봇에 전체 검사 임무를 할당하는 대신, 여러 로봇이 위치, 센싱 능력, 이동성, 작업량, 검사 우선순위에 따라 환경을 분담하면서 전체 임무 진행 상황에 대한 공유된 이해(Shared Understanding)를 유지한다.

검사 로봇 군집(Inspection Fleet)은 공장, 창고, 발전소, 정유시설, 건설 현장, 교통 시설, 유틸리티 인프라 및 기타 산업 환경에서 운영될 수 있다. 임무에는 비전 검사(Visual Inspection), 열화상 모니터링(Thermal Monitoring), 음향 센싱(Acoustic Sensing), 치수 측정(Dimensional Measurement), 이상 탐지(Anomaly Detection), 재고 확인(Inventory Verification), 설비 상태 평가(Equipment Condition Assessment) 등이 포함될 수 있다. 이러한 작업의 물리적 다양성으로 인해 개별 로봇의 센싱 능력만큼 로봇 간 조정이 중요해진다.

각 검사 요청(Inspection Request)은 먼저 공간적·시간적 제약을 가진 일련의 작업으로 표현되어야 한다. 검사 지점, 경로, 필요한 센서, 관측 각도, 재검사 주기, 마감시간, 안전 제한 등을 임무 표현(Mission Representation)에 포함할 수 있다. 이후 다중 로봇 작업 할당(Multi-Robot Task Allocation)은 로봇 위치, 센서 가용성, 이동 능력, 배터리 상태, 예상 임무 시간, 현재 운영 조건에 따라 검사 작업을 할당한다.

공간 분할(Spatial Decomposition)을 사용하면 넓은 검사 환경을 여러 로봇이 분담할 수 있지만 단순한 지리적 분할만으로는 항상 충분하지 않다. 일부 자산은 특수 카메라, 열화상 센서, 매니퓰레이터(Manipulator) 또는 특정 이동 능력을 요구할 수 있다. 따라서 능력 인지형 작업 매칭(Capability-Aware Task Matching)은 단순히 대상에 가장 가까운 로봇이 아니라 필요한 관측 결과를 생성할 수 있는 로봇에 각 검사 지점을 할당하도록 한다.

임무 조정(Mission Coordination)은 검사 작업 사이의 의존성도 고려해야 한다. 한 로봇이 초기 탐색을 수행하여 의심스러운 상태를 발견하면 더 높은 해상도의 센싱 또는 조작 능력을 갖춘 두 번째 로봇이 필요할 수 있다. 따라서 검사는 관측 결과에 따라 새로운 작업을 생성하거나 우선순위를 변경하고 추가 측정을 요구하는 동적 워크플로(Dynamic Workflow)가 된다. 작업 할당과 인지는 지속적인 임무 재계획(Continuous Mission Replanning)을 통해 연결된다.

공유 월드 상태(Shared World State)는 군집에 검사 진행 상황에 대한 공통 표현을 제공한다. 로봇은 어떤 자산의 검사가 완료되었는지, 어떤 관측이 미완료 상태인지, 어디에서 이상이 탐지되었는지, 어떤 영역에 일시적으로 접근할 수 없는지를 보고할 수 있다. 이를 통해 중복 작업을 방지하면서 최초 할당된 로봇이 사용할 수 없거나 필요한 관측을 완료하지 못하는 경우 다른 로봇이 미완료 임무를 이어받을 수 있다.

군집 월드 메모리(Fleet World Memory)는 이러한 공유 상태를 반복적인 검사 주기에 걸쳐 확장한다. 시스템은 위치와 자산을 이전 관측, 이상 이력, 검사 신뢰도, 접근 조건, 성공적인 센싱 구성과 연결할 수 있다. 따라서 자산에 접근하는 로봇은 모든 검사를 완전히 새로운 문제로 처리하는 대신 이전 로봇들이 축적한 지식을 활용할 수 있다. 이를 통해 군집 전체에 지속적인 운영 메모리(Persistent Operational Memory)가 형성된다.

서로 다른 로봇의 관측을 의미 있게 비교하려면 검사 데이터(Inspection Data)에 공간적·시간적 컨텍스트가 포함되어야 한다. 이미지, 열 측정, 포인트 클라우드(Point Cloud), 음향 신호 또는 기타 센서 출력은 로봇 자세(Robot Pose), 자산 식별 정보, 타임스탬프(Timestamp), 센서 구성, 신뢰도와 연결할 수 있다. 일관된 컨텍스트화(Contextualization)를 통해 실제 물리적 변화와 시점, 센서 구성, 위치추정 불확실성 또는 환경 조건의 차이로 발생한 변화를 구분할 수 있다.

통신(Communication)은 단순히 센서 데이터를 업로드하는 채널이 아니라 조정 자원(Coordination Resource)이 된다. 로봇은 임무 상태, 위치, 의도(Intent), 탐지된 이상, 접근 가능성 정보, 지원 요청 등을 교환한다. 대용량 원시 검사 데이터는 선택적으로 전송할 수 있으며, "검사 실패(Inspection Failed)", "이상 탐지(Anomaly Detected)", "추가 관측 각도 필요(Additional Viewpoint Required)", "영역 접근 불가(Area Inaccessible)"와 같은 긴급 정보는 간결한 의미 기반 메시지(Semantic Message)로 전달하여 불필요한 대역폭 사용을 줄일 수 있다.

다중 로봇 경로계획(Multi-Robot Path Planning)은 검사 커버리지와 로봇 이동을 동시에 조정해야 한다. 로봇들은 좁은 통로, 엘리베이터, 출입문, 검사 스테이션 또는 제한된 운영 구역을 공유할 수 있다. 군집 수준 계획(Fleet-Level Planning)은 이러한 자원에 대한 접근을 스케줄링하고 교통 충돌을 줄이며, 로컬 내비게이션(Local Navigation)은 즉각적인 장애물 회피를 담당한다. 이러한 하이브리드 구조(Hybrid Structure)는 전체적인 임무 효율성과 안전한 물리적 운영에 필요한 즉각적인 대응성을 결합한다.

검사 결과가 자동으로 신뢰할 수 있는 지식이 되는 것은 아니므로 불확실성(Uncertainty)은 특히 중요하다. 불충분한 조명, 가림(Occlusion), 센서 오염, 진동, 불리한 관측 기하 구조, 위치추정 오류는 관측 품질을 저하시킬 수 있다. 군집은 검사 결과와 함께 신뢰도(Confidence)를 보존하고 불확실성이 허용 수준을 초과하면 추가 관측을 요청하여 다른 로봇이나 센서 모달리티(Sensor Modality)가 독립적인 증거를 제공하도록 할 수 있다.

서로 다른 로봇이 동일한 자산을 다른 시점이나 조건에서 검사하면 상충하는 관측(Conflicting Observations)이 발생할 수 있다. 군집은 하나의 결과를 즉시 선택하기보다 관측 출처(Observation Provenance)와 신뢰도를 보존하면서 추가 증거를 수집할 수 있다. 이후 공유 메모리는 호환 가능한 관측을 융합하거나 해결되지 않은 불일치를 식별하여 사용 가능한 물리적 증거의 품질과 컨텍스트가 검사 의사결정에 반영되도록 한다.

동적 재할당(Dynamic Reallocation)은 로봇에 장애가 발생하거나 검사 조건이 변화할 때 복원력(Resilience)을 제공한다. 로봇의 배터리가 부족하거나 센서 성능 저하, 위치추정 문제, 접근 차단 또는 하드웨어 장애가 발생하면 미완료 검사 작업을 군집 스케줄러(Fleet Scheduler)로 반환할 수 있다. 다른 적합한 로봇이 임무를 계속 수행하고 문제가 발생한 플랫폼은 격리, 복구 또는 제한된 역할로 전환할 수 있으므로 개별 로봇의 손실이 반드시 전체 임무 실패로 이어지는 것은 아니다.

이기종 로봇 군집(Heterogeneous Fleet)은 검사 범위를 크게 확장할 수 있다. 자율이동로봇(AMR)은 안정적인 지상 운송과 무거운 센서 운반을 담당하고, 모바일 매니퓰레이터(Mobile Manipulator)는 장비 가까이에 계측기를 위치시키며, 4족 보행 로봇(Quadruped)은 계단이나 불규칙한 지형에 접근하고, 무인항공기(UAV)는 높은 구조물을 관측할 수 있다. 공통 작업, 지도, 통신, 지식 표현을 통해 서로 다른 체화(Embodiment)가 하나의 조정된 검사 임무에 상호 보완적인 능력을 제공할 수 있다.

집단 학습(Collective Learning)을 활용하면 군집 전체에서 수집된 경험을 통해 검사 성능을 향상시킬 수 있다. 반복적인 임무는 신뢰할 수 있는 측정이 가능한 관측 위치, 위치추정 성능이 자주 저하되는 영역, 임무 시간을 줄이는 검사 순서, 오탐(False Detection)과 관련된 환경 조건 등을 발견할 수 있다. 이러한 경험은 시간이 지남에 따라 인지 모델, 계획 정책, 검사 절차, 이상 탐지, 능력 인지형 작업 할당을 개선할 수 있다.

운영 경험을 체계적으로 수집하고 평가하여 재사용하면 군집 데이터 플라이휠(Fleet Data Flywheel)이 형성된다. 어려운 검사 사례와 불확실한 관측을 모델 개선을 위해 수집하고, 성공적인 복구 전략과 효율적인 임무 계획을 재사용 가능한 운영 지식으로 축적할 수 있다. 이후 개선된 모델과 정책을 다시 로봇에 배포하여 군집 일부에서 얻은 개선 결과가 다수 로봇이 수행하는 미래 임무에 활용되도록 할 수 있다.

컴퓨팅 아키텍처(Computing Architecture)는 로봇, 온프레미스(On-Premise), 클라우드(Cloud) 계층에 지능을 분산할 수 있다. 로봇 엣지(On-Robot Edge) 시스템은 인지, 위치추정, 내비게이션, 즉각적인 검사 처리, 안전 기능을 실행한다. 온프레미스 군집 서비스(On-Premise Fleet Services)는 작업, 교통, 공유 상태, 월드 메모리, 운영 모니터링을 조정한다. 클라우드 자원은 이력 분석, 대규모 모델 학습, 사이트 간 지식 집계(Cross-Site Knowledge Aggregation), 장기 검사 데이터 관리를 지원할 수 있다.

검사 로봇은 산업 장비와 작업자 주변에서 자주 운영되므로 안전 및 런타임 보증(Safety and Runtime Assurance)은 기본적인 요구사항이다. 로봇은 임무 최적화와 독립적으로 제한 구역, 속도 제약, 안전거리, 접근 권한, 비상 조건을 준수해야 한다. 군집 수준의 조정은 로컬 안전 메커니즘(Local Safety Mechanism)을 대체하는 것이 아니라 보완해야 하며, 집단 행동이 필수적인 물리적 안전 제약을 무시할 수 없도록 해야 한다.

검사 결과가 유지보수 또는 운영 의사결정에 영향을 미치는 경우 인간 감독(Human Supervision)은 특히 중요하다. 운영자는 임무 진행 상황, 탐지된 이상, 관측 신뢰도, 로봇 건전성, 미완료 작업, 상충하는 증거를 확인할 수 있어야 한다. 모든 로봇을 수동으로 지시하는 대신 인간은 예외 상황을 감독하고, 중요한 결과를 검증하며, 임무 우선순위를 변경하고, 자율적으로 수집된 증거가 충분하지 않을 경우 추가 검사를 요청할 수 있다.

시스템 성능(System Performance)은 검사 품질과 군집 효율성을 함께 평가해야 한다. 관련 지표에는 검사 커버리지(Inspection Coverage), 임무 완료 시간, 이상 탐지 성능, 반복 검사 일관성, 관측 신뢰도, 로봇 활용률, 작업자 개입 빈도, 에너지 소비량, 장애 복구 시간, 중복 검사량 등이 포함된다. 효과적인 조정은 불필요한 로봇 이동이나 중복 센싱을 증가시키지 않으면서 검사 범위와 신뢰성을 향상시켜야 한다.

따라서 다중 로봇 검사 시스템(Multi-Robot Inspection System)은 작업 할당, 통신, 공유 월드 상태, 군집 월드 메모리, 이기종 체화(Heterogeneous Embodiment), 동적 재계획, 집단 학습, 런타임 보증을 하나의 통합된 피지컬 AI(Physical AI) 응용으로 결합한다. 개별 로봇은 로컬 인지와 물리적 행동을 제공하고, 군집 지능(Fleet Intelligence)은 이들의 관측과 능력을 통합하여 개별 로봇 운영보다 확장성과 복원력이 뛰어난 조정된 검사 프로세스를 형성한다.

시스템이 성숙하면 검사는 주기적인 실행 방식에서 지속적인 집단 지능(Persistent Collective Intelligence)으로 발전할 수 있다. 여러 로봇이 자산과 환경에 대한 증거를 지속적으로 축적하고, 새로운 관측을 과거 메모리와 비교하며, 조건 변화에 따라 작업을 재분배하고, 군집 경험을 이용해 모델을 개선한다. 결과적으로 이는 단순히 여러 로봇이 검사를 수행하는 시스템이 아니라 물리 세계의 변화하는 상태를 집단적으로 관측하고, 기억하고, 추론하고, 모니터링하는 분산 물리 지능(Distributed Physical Intelligence)이 된다.

10.04. Quadruped Inspection Team

4족 보행 로봇 검사 팀(Quadruped Inspection Team)은 기존의 바퀴형 로봇이 핵심 자산에 안정적으로 접근하기 어려운 환경으로 다중 로봇 피지컬 AI(Multi-Robot Physical AI)를 확장한다. 여러 대의 4족 보행 로봇(Legged Robot)은 검사 센서를 탑재하고 계단, 격자 바닥, 불규칙한 바닥, 좁은 통로, 산업용 플랫폼, 잔해, 부분적으로 구조화된 지형을 이동할 수 있다. 그 가치는 개별 이동성뿐 아니라 팀 전체가 인지, 임무, 경험, 위험을 공동으로 조정하는 데 있다.

대표적인 배치 환경(Deployment Environment)에는 발전소, 정유시설, 화학 시설, 공장, 건설 현장, 터널, 유틸리티 설비, 위험 산업 구역 등이 포함된다. 검사 임무에는 시각 관측(Visual Observation), 열화상 촬영(Thermal Imaging), 음향 모니터링(Acoustic Monitoring), 가스 감지(Gas Detection), 계기 판독(Gauge Reading), 구조 상태 평가(Structural Assessment), 이상 탐지(Anomaly Detection) 등이 포함될 수 있다. 4족 보행 형태(Quadruped Morphology)는 접근이 어려운 장소로의 이동을 가능하게 하며, 군집 지능(Fleet Intelligence)은 이러한 능력을 지속적인 검사 운영으로 조직한다.

각 로봇은 인지(Perception), 위치추정(Localization), 지형 평가(Terrain Assessment), 보행(Locomotion), 장애물 회피, 즉각적인 안전 의사결정을 위한 로컬 자율성(Local Autonomy)을 유지한다. 주로 평면을 이동하는 AMR과 달리 4족 보행 로봇은 발 디딤 위치(Foothold), 몸체 여유 공간, 경사도, 안정성, 지형 형상을 지속적으로 판단해야 한다. 따라서 내비게이션 상태에는 일반적인 위치 및 장애물 정보뿐 아니라 물리적 실행 가능성과 보행 위험 정보가 포함된다.

검사 작업(Inspection Task)은 대상 자산, 필요한 센싱 모달리티(Sensing Modality), 관측 시점(Viewpoint), 마감시간, 검사 주기, 접근성 요구조건, 안전 제약으로 표현할 수 있다. 군집 스케줄러(Fleet Scheduler)는 로봇 위치, 센서 페이로드, 배터리 상태, 이동 능력, 작업량, 예상 지형 난이도에 따라 이러한 작업을 분배한다. 능력 인지형 할당(Capability-Aware Allocation)은 물리적 접근성이 크게 다른 상황에서 단순한 기하학적 거리만을 기준으로 임무가 할당되는 것을 방지한다.

여러 대의 4족 보행 로봇이 대규모 시설의 서로 다른 영역을 동시에 검사할 때 팀 조정(Team Coordination)이 중요해진다. 시스템은 완료된 검사, 대기 중인 대상, 로봇 위치, 제한 구역, 임무 진행 상황에 대한 공유 정보를 유지한다. 한 로봇이 예상보다 일찍 특정 구역의 검사를 완료하면 추가 작업을 할당받을 수 있으며, 다른 로봇이 어려운 지형으로 지연되면 남은 작업을 재분배하여 전체 임무 효율성을 유지할 수 있다.

공유 주행가능성(Shared Traversability)은 보행형 검사 로봇에서 특히 중요하다. 물리적 지형 경험을 반복적으로 획득하는 데 상당한 비용과 위험이 따르기 때문이다. 로봇은 계단, 미끄러운 표면, 불안정한 잔해, 좁은 통로, 급경사, 어려운 발 디딤 구간, 감속이 필요한 위치를 보고할 수 있다. 다른 4족 보행 로봇은 동일한 영역에 진입하기 전에 이러한 정보를 활용하여 개별 보행 경험을 군집 월드 메모리(Fleet World Memory)에 저장된 집단 이동 지식(Collective Mobility Knowledge)으로 전환할 수 있다.

모든 4족 보행 로봇이 동일한 이동 능력을 가진다고 가정해서는 안 되므로 주행가능성 정보(Traversability Information)는 로봇 및 임무 컨텍스트를 함께 보존해야 한다. 로봇 크기, 페이로드 질량, 다리 구성, 센서 마스트 높이, 배터리 상태, 제어 정책(Control Policy)은 특정 경로의 실질적인 이동 가능성에 영향을 줄 수 있다. 따라서 능력 인지형 공유 메모리(Capability-Aware Shared Memory)는 단순한 지형 통과 성공 여부뿐 아니라 어떤 로봇 구성이 어떠한 운영 조건에서 해당 지형을 통과했는지까지 표현할 수 있다.

군집 월드 메모리(Fleet World Memory)는 검사 경험도 저장한다. 이전의 관측 위치, 성공적인 센서 구성, 탐지된 이상, 접근할 수 없었던 자산, 위치추정 문제, 복구 이벤트, 검사 신뢰도 등을 물리적 위치 및 설비와 연결하여 유지할 수 있다. 이후 임무에서 로봇은 이러한 축적 지식을 검색하여 어려운 영역을 미리 예측하고, 동일한 운영 지식을 독립적으로 다시 발견하는 대신 이전에 검증된 검사 절차를 재현할 수 있다.

동적 환경(Dynamic Environment)에서는 지속적인 메모리 갱신이 필요하다. 임시 비계, 열린 출입문, 유지보수 장비, 물, 잔해, 이동하는 작업자, 새롭게 지정된 제한 구역 등은 이전에 성공했던 경로를 무효화할 수 있다. 따라서 공유 관측에는 타임스탬프(Timestamp)와 신뢰도 값(Confidence Value)이 필요하며 오래된 정보는 점차 감쇠될 수 있다. 여러 로봇의 관측을 융합하여 지속적인 환경 특성과 군집 지식에 영구적으로 반영해서는 안 되는 일시적인 조건을 구분할 수 있다.

통신(Communication)은 팀이 위치, 임무 상태, 예정 경로, 지형 관측, 검사 결과, 로봇 건전성, 지원 요청을 교환하도록 한다. 산업 시설에는 통신 음영 지역이나 무선 통신 성능이 저하되는 구역이 존재할 수 있으므로 4족 보행 로봇은 일시적으로 연결이 끊겨도 안전하게 동작할 수 있는 충분한 로컬 자율성을 유지해야 한다. 기본적인 보행 안전을 지속적인 네트워크 연결에 의존하지 않으면서 중요한 이벤트는 연결이 복구될 때 동기화할 수 있다.

이벤트 기반 및 의미 기반 통신(Event-Based and Semantic Communication)은 운영상 중요한 정보를 우선적으로 전달할 수 있다. 모든 센서 프레임을 지속적으로 전송하는 대신 로봇은 "경로 차단(Route Blocked)", "계단 주행 가능(Stairs Traversable)", "가스 이상 탐지(Gas Anomaly Detected)", "검사 미완료(Inspection Incomplete)", "위치추정 신뢰도 저하(Localization Confidence Low)", "지원 필요(Assistance Required)" 등을 보고할 수 있다. 고대역폭 검사 데이터는 선택적으로 전송하고 간결한 의미 정보는 로봇과 군집 서비스 사이의 신속한 조정을 지원한다.

다중 로봇 계획(Multi-Robot Planning)은 공유 통로, 계단, 출입문, 검사 플랫폼 및 기타 제한된 자원을 고려해야 한다. 두 로봇이 좁은 계단의 반대편에서 동시에 접근하면 각각 유효한 경로를 가지고 있더라도 불필요한 충돌 상황이 발생할 수 있다. 군집 수준 조정(Fleet-Level Coordination)은 접근 시간을 스케줄링하거나 이동 방향의 우선순위를 설정하고, 각 4족 보행 로봇은 충돌 회피, 발 디딤 위치 선택, 균형 유지, 즉각적인 보행 제어를 로컬에서 담당한다.

4족 보행 검사는 사람이 접근하기 어렵거나 위험한 장소에서 수행되는 경우가 많으므로 장애 발생 시 신속한 임무 재할당(Mission Reallocation)이 필요하다. 로봇에 배터리 부족, 센서 장애, 보행 성능 저하, 통신 단절, 위치추정 문제가 발생하면 미완료 작업을 팀에 반환할 수 있다. 다른 적합한 로봇이 임무를 계속 수행하고 문제가 발생한 플랫폼은 복구, 안전 복귀(Safe Return) 또는 제한된 운영 모드(Restricted Operating Mode)로 전환할 수 있다.

복구 경험(Recovery Experience) 자체도 유용한 공유 지식이 된다. 4족 보행 로봇이 미끄러지거나 불안정한 지형을 만나거나 이동 불능 상태에 빠지거나 대체 경로를 통해 성공적으로 복구한 경우 해당 이벤트를 지형 컨텍스트와 로봇 상태와 함께 기록할 수 있다. 이후의 로봇은 실패한 행동의 반복을 피하거나 이전에 성공했던 복구 전략을 활용할 수 있다. 따라서 군집 메모리는 성공적인 주행뿐 아니라 실패 및 복구 지식(Failure and Recovery Knowledge)도 포함한다.

집단 학습(Collective Learning)은 여러 로봇에서 축적된 경험을 활용하여 보행 및 검사 성능을 개선할 수 있다. 반복적인 임무를 통해 불안정성과 관련된 지형, 신뢰성 높은 측정이 가능한 관측 위치, 과도한 에너지 소비를 유발하는 경로, 인지 성능을 저하시키는 조건을 식별할 수 있다. 이러한 관측은 지속적인 배치를 통해 주행가능성 추정, 검사 정책, 작업 할당, 경로계획, 이상 탐지, 운영 절차를 개선하는 데 활용될 수 있다.

팀은 역할 전문화(Specialization)도 지원할 수 있다. 한 4족 보행 로봇은 열화상 및 비전 센서를 탑재하고, 다른 로봇은 음향 또는 가스 센서를 탑재하며, 또 다른 로봇은 매핑이나 험난한 지형 정찰에 최적화될 수 있다. 초기 검사에서 불확실한 상태가 발견되면 군집은 가장 적절한 센싱 능력을 갖춘 로봇을 파견할 수 있다. 이를 통해 전문화된 개별 로봇은 집단적인 임무 조정을 유지하면서 상호 보완적인 기능을 제공한다.

계층형 지능 아키텍처(Layered Intelligence Architecture)는 즉각적인 체화 제어(Embodied Control)와 보다 광범위한 군집 지능을 분리한다. 로봇 엣지 컴퓨팅(On-Robot Edge Computing)은 보행, 인지, 위치추정, 로컬 계획, 검사 처리, 안전을 담당한다. 온프레미스 서비스(On-Premise Services)는 임무를 조정하고 공유 월드 메모리를 유지하며 교통 및 자원을 관리하고 군집 건전성을 모니터링한다. 클라우드 자원(Cloud Resources)은 이력 분석, 모델 학습, 사이트 간 학습, 장기적인 검사 경험 집계를 지원할 수 있다.

안전 및 런타임 보증(Safety and Runtime Assurance)은 생산성 최적화와 독립적으로 유지되어야 한다. 각 4족 보행 로봇에는 안전한 보행, 제한 구역 준수, 충돌 회피, 안정성 보호, 비상 행동을 위한 로컬 제약(Local Constraint)이 필요하다. 군집 수준 지능은 경로와 작업 할당을 변경할 수 있지만 필수적인 안전 메커니즘을 무시해서는 안 된다. 이러한 분리를 통해 개별 자율 로봇의 예측 가능한 물리적 안전 경계를 유지하면서 집단 최적화를 수행할 수 있다.

인간 운영자(Human Operator)는 임무 목표, 이상 상황, 불확실한 관측, 로봇 건전성, 접근 불가능 영역, 예외적인 복구 상황을 감독한다. 운영자가 모든 일상적인 움직임을 원격조종(Teleoperation)할 필요는 없다. 대신 중요한 검사 결과를 검증하고, 우선순위를 변경하며, 민감한 영역으로의 진입을 승인하거나, 자율 복구가 충분하지 않을 때 개입할 수 있다. 따라서 인간 감독(Human Supervision)은 분산 검사 팀에 대한 예외 중심 감독(Exception-Oriented Oversight)으로 발전한다.

성능 평가(Performance Evaluation)는 검사 효과와 물리적 이동 능력을 모두 고려해야 한다. 주요 지표에는 검사 커버리지, 이상 탐지 품질, 임무 수행 시간, 성공적인 지형 통과율, 위치추정 신뢰도, 에너지 소비량, 작업자 개입 빈도, 복구 성공률, 로봇 활용률, 작업 재할당 빈도 등이 포함된다. 어려운 환경을 과도한 중복 작업이나 사람의 위험 노출 없이 신뢰성 있게 검사할 수 있을 때 팀 성능이 가장 높은 수준에 도달한다.

결과적으로 4족 보행 로봇 검사 팀(Quadruped Inspection Team)은 이기종 센싱(Heterogeneous Sensing), 보행 이동성(Legged Mobility), 공유 주행가능성, 군집 월드 메모리, 작업 할당, 통신, 집단 학습, 런타임 보증이 하나의 통합된 다중 로봇 피지컬 AI(Multi-Robot Physical AI) 시스템으로 동작하는 방식을 보여준다. 각 로봇은 자율적인 체화 에이전트(Embodied Agent)로 유지되지만, 로봇의 관측, 성공, 실패, 이동 경험은 전체 팀의 의사결정을 향상시키는 공동 자원이 된다.

경험이 축적되면 팀은 독립적으로 뛰어난 여러 대의 4족 보행 로봇에서 지속적인 집단 검사 지능(Persistent Collective Inspection Intelligence)으로 발전할 수 있다. 로봇들은 어떤 영역에 접근할 수 있는지, 어떤 경로가 위험한지, 어떤 센싱 전략이 효과적인지, 환경 조건이 시간에 따라 어떻게 변화하는지를 점진적으로 학습한다. 결과적으로 시스템은 산업 자산과 이를 연결하는 물리적 지형을 집단적으로 관측하고, 기억하고, 적응하며, 작업을 재할당하고, 지속적으로 이해를 개선하는 분산 물리 지능(Distributed Physical Intelligence)으로 발전한다.

10.05. Humanoid and AMR Collaboration

휴머노이드와 자율이동로봇 협업(Humanoid and AMR Collaboration)은 이기종 피지컬 AI 군집(Heterogeneous Physical AI Fleet) 내에서 서로 상호 보완적인 두 가지 체화 형태(Embodiment)를 결합한다. 자율이동로봇(Autonomous Mobile Robot, AMR)은 구조화된 평면에서 효율적이고 안정적이며 에너지 효율적인 운송을 담당하고, 휴머노이드 로봇(Humanoid Robot)은 조작, 도달 능력, 정교한 작업 능력, 인간 중심 환경과의 호환성을 제공한다. 이러한 능력을 조정하면 이동 중심의 운송과 조작 중심의 작업을 효과적으로 분리할 수 있다.

일반적인 협업 워크플로(Collaborative Workflow)는 생산, 창고 또는 서비스 요청을 운송과 조작의 하위 작업으로 분해하면서 시작된다. AMR은 자재를 가져와 작업 스테이션까지 신속하게 운송하고, 휴머노이드는 전달된 자재를 받아 필요한 물체를 식별한 후 피킹, 배치, 조립, 적재 또는 기계 조작을 수행할 수 있다. 따라서 전체 임무는 서로 독립된 로봇 활동이 아니라 조정된 일련의 작업으로 실행된다.

두 체화 형태는 근본적으로 서로 다른 능력을 가지므로 작업 표현(Task Representation)은 목적지와 우선순위 이상의 정보를 기술해야 한다. 작업에는 필요한 적재량, 조작 복잡도, 작업공간 높이, 도달 가능성, 이동 요구사항, 센싱 요구사항, 마감시간, 안전 제약 등이 포함될 수 있다. 능력 인지형 작업 할당(Capability-Aware Task Allocation)은 운송 중심 작업을 AMR에, 조작 중심 작업을 휴머노이드에 배정하면서 각 플랫폼이 대체 역할을 수행할 수 있는 상황도 함께 고려한다.

AMR은 휴머노이드를 위한 이동형 물류 버퍼(Mobile Logistics Buffer) 역할도 수행할 수 있다. 휴머노이드가 보관 장소와 작업 영역 사이를 반복적으로 보행하도록 하는 대신 AMR이 공구, 부품, 컨테이너 또는 부분적으로 완성된 제품을 작업공간까지 직접 전달할 수 있다. 이를 통해 불필요한 휴머노이드 이동을 줄이고 조작 작업에 사용할 에너지를 보존하면서 변화하는 생산 수요에 따라 여러 AMR이 하나 이상의 휴머노이드에 지속적으로 물품을 공급할 수 있다.

조정(Coordination)을 위해서는 작업 의존성(Task Dependency)을 명시적으로 표현해야 한다. 필요한 부품이 도착하기 전에는 휴머노이드가 조립 작업을 시작할 수 없으며, 조작 작업이 완료되기 전에는 AMR이 컨테이너를 회수할 수 없다. 따라서 군집 오케스트레이션(Fleet Orchestration)은 선행 관계 제약, 동기화 지점, 예상 작업시간, 완료 이벤트를 표현해야 한다. 운송 지연, 조작 실패, 혼잡 또는 우선순위 변경으로 기존 워크플로가 달라지면 동적 스케줄링(Dynamic Scheduling)을 통해 이러한 관계를 조정한다.

공유 의도 및 팀 컨텍스트(Shared Intent and Team Context)를 통해 각 로봇은 현재 행동이 전체 임무에 어떻게 기여하는지 이해할 수 있다. 휴머노이드 작업 스테이션에 접근하는 AMR은 도착 예정 시간, 페이로드 식별 정보, 도킹 의도, 예상 인계 상태를 전달할 수 있다. 휴머노이드는 준비 상태, 조작 진행 상황, 완료 여부 또는 추가 자재 요청을 보고할 수 있다. 의미 기반 통신(Semantic Communication)은 각 로봇이 상대방의 모든 내부 상태에 접근하지 않고도 의미 있는 정보를 교환하도록 한다.

물리적 인계(Physical Handover)는 운송과 조작이 공유 작업공간에서 만나는 핵심 상호작용 지점이다. 시스템은 AMR 자세, 휴머노이드의 도달 가능성, 페이로드 방향, 도킹 정확도, 인계 시점을 조정해야 한다. 표준화된 전달 위치나 컨테이너를 사용하면 이 과정을 단순화할 수 있으며, 인지 기반 정렬(Perception-Based Alignment)을 적용하면 더 높은 유연성을 확보할 수 있다. 성공적인 협업을 위해서는 인계를 서로 독립된 두 작업이 아니라 공동으로 제약되는 물리적 행동(Jointly Constrained Physical Action)으로 표현해야 한다.

공유 공간 및 의미 지도(Shared Spatial and Semantic Maps)는 두 체화 형태에 공통된 환경 기준을 제공한다. AMR에는 주행 가능한 바닥 형상, 교통 차선, 도킹 위치, 장애물 정보가 주로 필요하지만, 휴머노이드에는 조작 표면, 물체 위치, 도달 가능한 영역, 출입문, 제어 장치, 인간 중심의 의미적 특성이 추가로 필요하다. 공통 월드 표현(Common World Representation)은 공유 구조를 유지하면서 서로 다른 물리적 상호작용에 필요한 체화 특화 정보(Embodiment-Specific Information)를 제공할 수 있다.

군집 월드 메모리(Fleet World Memory)는 이러한 표현을 운영 경험으로 확장한다. 시스템은 성공적인 도킹 자세, 신뢰할 수 있는 인계 구성, 혼잡한 경로, 조작이 어려운 스테이션, 선호되는 물체 배치, 실패 조건, 복구 전략 등을 기억할 수 있다. 미래 임무는 이러한 경험을 재사용할 수 있으며, 로봇의 신체 구조와 제어 정책이 크게 다르더라도 한 로봇이 생성한 지식이 다른 로봇의 계획에 영향을 줄 수 있다.

교차 체화 통신(Cross-Embodiment Communication)에는 로봇별 제어 명령에 의존하지 않는 공통 추상화(Common Abstraction)가 필요하다. 작업 식별자, 물체, 목적지, 능력, 완료 상태, 불확실성, 지원 요청, 안전 상태와 같은 개념이 공유 의미 계층(Shared Semantic Layer)을 구성할 수 있다. AMR은 휴머노이드의 관절 궤적을 이해할 필요가 없으며, 휴머노이드 역시 휠 제어 정보에 접근할 필요가 없다. 두 로봇은 대신 운영적으로 의미 있는 개념을 통해 조정한다.

이기종 군집의 구성원 중 하나를 사용할 수 없게 되면 동적 재할당(Dynamic Reallocation)이 중요해진다. AMR에 장애가 발생하면 다른 운송 로봇이 대기 중인 배송 임무를 이어받을 수 있다. 휴머노이드에서 조작 실패가 발생하면 해당 작업을 다른 능력 있는 휴머노이드에 재할당하거나 사람의 지원이 필요한 작업으로 전환할 수 있다. 군집 지능(Fleet Intelligence)은 운영 목표와 최초에 작업을 할당받은 로봇의 정체성을 분리하여 임무 연속성을 유지한다.

협업은 완전히 사전 정의된 방식뿐 아니라 기회 기반(Opportunistic)으로 이루어질 수도 있다. 여유 적재 공간을 가진 인근 AMR이 다른 임무를 수행하는 동안 휴머노이드가 필요로 하는 물품을 함께 운반하거나, 유휴 상태의 휴머노이드가 이동 경로상의 스테이션에서 간단한 조작 작업을 수행할 수 있다. 이러한 의사결정을 위해서는 위치, 능력, 작업량, 에너지, 작업 의존성에 대한 군집 수준의 인식이 필요하며, 이를 통해 로컬 기회가 전체 성능을 방해하는 것이 아니라 향상시키도록 해야 한다.

집단 학습(Collective Learning)을 통해 개선된 결과를 이기종 군집 전체에 확산할 수 있다. 성공적인 인계 경험을 통해 선호되는 도킹 자세와 물체 방향을 파악할 수 있으며, 실패 경험을 통해 도달 가능성 문제, 인지 모호성, 불안정한 페이로드 구성, 타이밍 오류 등을 발견할 수 있다. AMR과 휴머노이드에서 축적된 경험은 작업 할당, 도킹, 조작 준비, 워크플로 스케줄링, 의미 기반 통신을 개선하여 공유 데이터 플라이휠(Shared Data Flywheel)을 형성할 수 있다.

교차 체화 학습(Cross-Embodiment Learning)은 관측과 행동이 서로 다른 물리적 의미를 가지기 때문에 동일한 로봇 간 학습보다 어렵다. 따라서 유용한 지식은 적절한 추상화 수준에서 전달되어야 한다. 작업 성공 여부, 물체 의미, 공간 관계, 위험, 워크플로 구조, 환경 컨텍스트는 광범위하게 공유할 수 있지만 보행이나 주행 및 조작 정책은 체화 특화(Embodiment-Specific) 상태로 유지될 수 있다. 이러한 분리는 물리적 동등성을 가정하지 않으면서 집단 학습을 지원한다.

컴퓨팅 아키텍처(Computing Architecture)는 엣지(Edge), 온프레미스(On-Premise), 클라우드(Cloud) 계층에 역할을 분산할 수 있다. 각 AMR과 휴머노이드는 로컬 인지, 제어, 내비게이션 또는 조작, 안전 기능을 유지한다. 온프레미스 군집 지능(On-Premise Fleet Intelligence)은 작업 분해, 스케줄링, 교통, 공유 월드 상태, 인계 조정, 운영 모니터링을 관리한다. 클라우드 시스템은 이력 분석, 대규모 학습, 사이트 간 학습, 모델 수명주기 관리(Model Lifecycle Management)를 지원할 수 있다.

휴머노이드, AMR, 사람이 동일한 운영 환경을 공유할 때 안전(Safety)은 특히 중요하다. 로컬 안전 메커니즘(Local Safety Mechanism)은 충돌 회피, 속도 제한, 안정성 제약, 비상 행동, 안전한 조작을 보장한다. 군집 조정은 AMR이 인계 도중 출발하거나 다른 로봇이 제한된 작업공간으로 진입하는 것과 같은 위험한 작업 상호작용도 방지해야 한다. 따라서 집단 최적화(Collective Optimization)는 독립적으로 강제되는 물리적 안전 경계 내에서 수행되어야 한다.

인간 작업자(Human Worker)는 협업 워크플로에 직접 참여할 수도 있다. 사람은 예외 상황을 처리하고, 불확실한 물체 상태를 확인하며, 어려운 조작을 수행하거나, 일시적으로 사용할 수 없는 로봇의 역할을 대신할 수 있다. 따라서 역할, 능력, 권한, 작업 상태를 명시적으로 표현하면 인간-로봇 및 로봇-로봇 팀 구성(Human-Robot and Robot-Robot Teaming)을 동일한 임무 프레임워크에서 관리할 수 있다. 군집은 단순한 로봇이 아니라 혼합 물리 에이전트(Mixed Physical Agent)를 위한 오케스트레이션 시스템으로 발전한다.

운영 복원력(Operational Resilience)은 장애를 감지하고 점진적으로 성능을 저하시키는 능력에 의존한다. 조작 능력이 저하된 휴머노이드는 더 단순한 작업을 계속 수행할 수 있으며, 배터리가 부족한 AMR은 짧은 임무로 제한할 수 있다. 스케줄러는 모든 성능 저하를 완전한 장애로 처리하지 않고 남아 있는 능력에 따라 작업을 변경할 수 있다. 이러한 능력 인지형 복구(Capability-Aware Recovery)는 로봇이 현재의 안전 운영 범위를 벗어난 작업을 수행하지 않도록 하면서 유용한 군집 능력을 보존한다.

성능(Performance)은 AMR 운송과 휴머노이드 조작을 독립적으로 평가하기보다 전체 워크플로 수준에서 측정해야 한다. 관련 지표에는 완료된 워크플로 수, 운송 대기시간, 휴머노이드 유휴시간, 인계 성공률, 조작 완료율, 로봇 활용률, 에너지 소비량, 작업자 개입 빈도, 장애 복구, 전체 사이클 타임(Total Cycle Time) 등이 포함된다. 효과적인 협업은 대기와 불필요한 이동을 최소화하면서 각 체화 형태가 자신의 강점을 활용하는 작업에 집중하도록 한다.

따라서 휴머노이드와 AMR 협업(Humanoid and AMR Collaboration)은 다중 로봇 피지컬 AI(Multi-Robot Physical AI)에서 이기종 군집 오케스트레이션(Heterogeneous Fleet Orchestration)의 중요성을 보여준다. 이동성, 조작, 작업 할당, 공유 의도, 의미 기반 통신, 월드 메모리, 집단 학습, 런타임 보증(Runtime Assurance)은 서로 연결된 능력으로 작동한다. 시스템의 가치는 휴머노이드와 AMR이 동일한 작업을 수행하는 것이 아니라 서로 다른 물리적 능력을 조합하여 조정된 엔드투엔드 워크플로(End-to-End Workflow)를 형성하는 데 있다.

협업이 성숙하면 군집은 사전에 정의된 인계 방식에서 적응형 집단 지능(Adaptive Collective Intelligence)으로 발전할 수 있다. 로봇은 변화하는 조건에서 어떤 운송, 스테이징(Staging), 조작, 지원의 조합이 신뢰성 높은 결과를 만드는지 학습한다. AMR과 휴머노이드는 각각 체화 특화 자율 에이전트(Embodiment-Specific Autonomous Agent)로 유지되지만, 공유 지식과 군집 수준 추론(Fleet-Level Reasoning)을 통해 사용 가능한 능력을 중심으로 작업을 재구성할 수 있는 더 큰 분산 물리 지능(Distributed Physical Intelligence)의 구성요소로 동작하게 된다.

10.06. AMR and Mobile Manipulator Collaboration

AMR과 모바일 매니퓰레이터 협업 시스템(AMR and Mobile Manipulator Collaboration System)은 고효율 자재 운송과 유연한 로봇 조작을 조정된 다중 로봇 피지컬 AI(Multi-Robot Physical AI) 아키텍처 안에서 결합한다. AMR은 보관, 생산, 검사, 스테이징 영역 사이에서 페이로드를 운송하고, 모바일 매니퓰레이터(Mobile Manipulator)는 피킹, 배치, 적재, 하역, 머신 텐딩(Machine Tending), 공구 조작을 수행한다. 이러한 상호 보완적 능력은 개별 로봇 기능을 넘어 물류에서 조작까지 연결되는 완전한 워크플로를 가능하게 한다.

협업은 운영 요청을 이동, 운송, 위치 결정, 조작 작업으로 분해하면서 시작된다. 생산 주문의 경우 AMR이 컨테이너를 가져와 작업 스테이션까지 운송하고 접근 가능한 위치에 배치한 다음, 모바일 매니퓰레이터가 물체를 취급하도록 구성할 수 있다. 조작 작업이 완료되면 AMR은 처리된 자재를 다음 위치로 운송하여 여러 로봇에 걸친 물리적 행동을 하나의 통합된 작업 순서로 구성한다.

작업 할당(Task Allocation)은 로봇의 체화(Embodiment)와 능력 차이를 반영해야 한다. AMR은 일반적으로 안정적인 내비게이션과 페이로드 운송에 최적화되는 반면, 모바일 매니퓰레이터는 이동과 관절형 조작을 결합하므로 운송 효율이 상대적으로 낮을 수 있다. 따라서 군집 지능(Fleet Intelligence)은 각 임무에 가장 적합한 로봇을 선택할 때 페이로드, 도달 범위, 그리퍼 유형, 조작 복잡도, 위치, 배터리 상태, 작업량, 마감시간, 접근성을 고려한다.

모바일 매니퓰레이터는 이동과 조작이 모두 필요한 작업을 독립적으로 수행할 수 있지만, 전용 AMR과 협업하면 전체 효율을 향상시킬 수 있다. 매니퓰레이터가 장거리 자재 운송까지 직접 수행하는 대신 작업 집약적인 영역 가까이에 머무르고, AMR이 지속적으로 페이로드를 공급하고 회수할 수 있다. 이러한 전문화(Specialization)는 불필요한 매니퓰레이터 이동을 줄이고 고가의 조작 자원이 부가가치를 창출하는 물리적 상호작용에 더 많은 시간을 사용하도록 한다.

운송에서 조작으로 전환되는 과정을 조정하려면 공유 작업 표현(Shared Task Representation)이 필요하다. 시스템은 물체 식별 정보, 컨테이너 상태, 목적지, 요구 자세, 조작 절차, 완료 기준, 작업 의존 관계를 표현해야 한다. AMR이 특정 위치에 도착했다고 해서 운영적으로 배송이 완료된 것은 아니며, 모바일 매니퓰레이터가 해당 페이로드를 인지하고 도달하며 안전하게 상호작용할 수 있도록 적절한 자세로 배치되어야 한다.

따라서 도킹 및 인계(Docking and Handover)는 핵심적인 협업 행동이 된다. AMR은 충분한 위치 정확도로 전달 구역에 접근해야 하고, 모바일 매니퓰레이터는 페이로드가 자신의 도달 가능한 작업공간 안에 있는지를 판단해야 한다. 인지(Perception)를 통해 로봇, 컨테이너, 물체 사이의 상대 정렬을 정밀하게 보정할 수 있다. 표준화된 도킹 인터페이스는 조정을 단순화하며, 인지 기반 적응(Perception-Based Adaptation)은 현실적인 위치 오차를 허용할 수 있도록 한다.

공유 의도(Shared Intent)는 물리적 상호작용 과정의 동기화를 향상시킨다. 도킹 전에 AMR은 목적지, 페이로드, 예상 도착 시간, 예정된 전달 자세를 전달할 수 있다. 모바일 매니퓰레이터는 준비 상태, 작업공간 가용성, 예상 조작 시간 또는 일시적인 지연을 보고할 수 있다. 이러한 의미 기반 메시지(Semantic Message)를 통해 두 로봇과 군집 조정기는 세부적인 저수준 제어 상태를 교환하지 않고도 임무 진행 상황을 추론할 수 있다.

군집 오케스트레이션(Fleet Orchestration)은 운송 작업과 조작 작업 사이의 의존성을 하나의 조정된 워크플로로 표현한다. 필요한 AMR이 도착하기 전까지 조작 작업은 대기 상태가 될 수 있으며, AMR은 처리 후 컨테이너가 해제될 때까지 기다릴 수 있다. 스케줄링은 이동 및 조작 시간을 예측하여 이러한 대기시간을 최소화해야 한다. 혼잡, 조작 불확실성, 장비 지연 또는 우선순위 변경이 발생하면 동적 재계획(Dynamic Replanning)을 통해 도착 순서를 조정할 수 있다.

공유 월드 상태(Shared World State)는 두 로봇 유형에 걸쳐 공통된 운영 표현을 제공한다. 여기에는 로봇 위치, 활성 작업, 물체 및 컨테이너 위치, 도킹 스테이션, 작업 스테이션 가용성, 제한 구역, 교통 상황, 임무 상태 등이 포함될 수 있다. 각 로봇은 자신의 역할에 필요한 정보에 접근하는 동시에 관측 결과를 다시 공유 상태에 반영함으로써 시설 전체에 분산된 물리적 행동을 동기화한다.

군집 월드 메모리(Fleet World Memory)는 공유 상태를 과거의 운영 경험으로 확장한다. 시스템은 성공적인 도킹 자세, 조작 구성, 컨테이너 방향, 작업이 어려운 스테이션, 혼잡 패턴, 반복적인 실패, 복구 전략 등을 기억할 수 있다. 이후 유사한 임무가 발생하면 이전 경험이 계획과 실행에 영향을 주어 반복적인 로봇 작업을 독립적인 작업 수행이 아닌 지속적인 집단 지식(Persistent Collective Knowledge)으로 전환한다.

공유 지도(Shared Map)는 체화 특화 해석(Embodiment-Specific Interpretation)을 지원해야 한다. AMR은 주로 경로에 충분한 바닥 여유 공간과 교통 접근성이 있는지를 평가하는 반면, 모바일 매니퓰레이터는 팔의 도달 가능성, 조작 여유 공간, 물체 가시성, 베이스 배치, 충돌 없는 팔 움직임까지 추가로 고려해야 한다. 따라서 공통 환경 모델(Common Environment Model)은 공유되는 기하학적 구조와 의미 정보를 유지하면서 운송과 조작에 서로 다른 실행 가능성 기준을 제공할 수 있다.

통신(Communication)은 협업 의사결정을 변화시키는 정보를 우선적으로 전달해야 한다. 로봇은 간결한 의미 기반 메시지를 통해 작업 상태, 위치, 의도, 준비 상태, 완료 여부, 불확실성, 장애, 지원 요청 등을 교환할 수 있다. 고대역폭 인지 데이터는 공유 해석이나 원격 분석이 필요한 경우에만 전송할 수 있다. 이를 통해 조정된 다중 로봇 행동에 필요한 정보를 유지하면서 통신 오버헤드를 줄일 수 있다.

개별 로봇을 사용할 수 없게 되면 동적 작업 재할당(Dynamic Task Reallocation)이 복원력(Resilience)을 제공한다. 운송 중 AMR에 장애가 발생하면 다른 AMR이 미완료 배송을 이어받을 수 있다. 모바일 매니퓰레이터에서 그리퍼 또는 인지 문제가 발생하면 해당 작업을 호환 가능한 다른 매니퓰레이터로 이전하거나 인간의 개입이 필요한 작업으로 전환할 수 있다. 최초에 할당된 로봇이 변경되더라도 운영 목표 자체는 지속적으로 유지된다.

모든 고장을 완전한 로봇 장애로 처리하지 않고 능력 저하(Capability Degradation)를 관리할 수도 있다. 배터리 용량이 감소한 AMR은 짧은 운송 임무를 계속 수행하고, 그리퍼 기능이 제한된 모바일 매니퓰레이터는 호환 가능한 물체를 대상으로 작업할 수 있다. 능력 인지형 스케줄링(Capability-Aware Scheduling)은 각 로봇에 남아 있는 기능적 운영 범위를 평가하여 안전 제약을 유지하면서 적절한 작업을 할당하고 군집 활용률을 향상시킨다.

집단 학습(Collective Learning)을 통해 운송과 조작 과정에서 축적된 경험을 미래의 협업 워크플로 개선에 활용할 수 있다. 반복적인 운영을 통해 안정적인 인계와 관련된 도킹 자세, 파지를 쉽게 만드는 물체 배치, 지연을 발생시키는 경로, 인지 실패가 빈번한 작업 스테이션 등을 발견할 수 있다. 이러한 관측은 군집 전체의 스케줄링, 도킹, 파지 준비, 베이스 배치, 작업 할당, 복구 전략을 개선하는 데 활용될 수 있다.

어려운 사례, 실패, 성공적인 실행을 체계적으로 수집하면 군집 데이터 플라이휠(Fleet Data Flywheel)이 형성된다. 조작 실패는 새로운 학습 사례가 될 수 있으며, 효율적인 운송-조작 순서는 재사용 가능한 워크플로 패턴으로 축적될 수 있다. 이후 개선된 인지 모델, 정책, 운영 파라미터를 다시 배포하여 하나의 로봇이나 작업 스테이션에서 획득한 지식이 다수의 협업 에이전트의 미래 행동을 개선하도록 할 수 있다.

AMR과 모바일 매니퓰레이터가 통로, 교차로, 충전 구역, 전달 스테이션, 생산 구역을 공유할 수 있으므로 다중 로봇 교통 관리(Multi-Robot Traffic Management)도 중요하다. 군집 수준 계획은 제한된 자원을 예약하고 도착 시간을 조정하며, 각 로봇은 로컬 충돌 회피를 유지한다. 모바일 매니퓰레이터는 팔을 동작하는 동안 더 넓은 임시 안전 영역이 필요할 수 있으므로 교통 관리는 이동 베이스 위치뿐 아니라 변화하는 작업공간 점유 영역까지 고려해야 한다.

에너지 관리(Energy Management)는 운송 수요와 조작 작업량을 함께 조정해야 한다. AMR은 주로 이동을 통해 에너지를 소비하지만 모바일 매니퓰레이터는 베이스 이동과 로봇 팔 동작 모두에 에너지를 사용해야 한다. 군집 스케줄링(Fleet Scheduling)은 임무별 에너지 요구량을 추정하고 충전을 조정하여 수요가 높은 시간에 핵심 조작 자원이 운영에서 이탈하지 않도록 하면서 활성 작업 스테이션에 충분한 운송 능력을 제공할 수 있다.

컴퓨팅 아키텍처(Computing Architecture)는 로봇, 온프레미스(On-Premise), 클라우드(Cloud) 계층에 지능을 분산할 수 있다. 로봇 엣지(On-Robot Edge) 시스템은 인지, 위치추정, 내비게이션, 조작 제어, 즉각적인 안전 기능을 실행한다. 온프레미스 군집 서비스(On-Premise Fleet Services)는 작업 분해, 스케줄링, 교통, 인계, 공유 월드 상태, 운영 모니터링을 관리한다. 클라우드 자원은 이력 분석, 모델 학습, 사이트 간 학습(Cross-Site Learning), 장기적인 지식 관리를 지원할 수 있다.

여러 로봇이 물리적으로 상호작용하는 환경에서는 런타임 보증(Runtime Assurance)이 필수적이다. 로컬 제어기는 충돌 회피, 속도 제한, 매니퓰레이터 작업공간 제약, 페이로드 안정성, 비상 행동을 보장한다. 군집 조정은 매니퓰레이터가 AMR의 페이로드와 상호작용하는 동안 AMR이 출발하는 것과 같은 위험한 워크플로 상태도 방지한다. 협업 최적화는 항상 독립적으로 강제되는 물리적 안전 제약보다 하위에 위치해야 한다.

인간 운영자(Human Operator)는 예외 상황, 불확실한 조작 결과, 실패한 인계, 로봇 건전성, 변화하는 생산 우선순위를 감독한다. 일상적인 운송과 조작은 자율적으로 수행하고, 인간은 모호한 상태를 검증하거나 필요한 경우 복구를 승인할 수 있다. 이러한 예외 중심 감독(Exception-Oriented Supervision)은 지속적인 원격조종을 줄이고 한 명의 운영자가 더 큰 이기종 군집(Heterogeneous Fleet)을 감독하면서 안전 필수 및 운영상 중요한 의사결정에 대한 권한을 유지하도록 한다.

성능(Performance)은 전체 협업 워크플로를 기준으로 평가해야 한다. 중요한 지표에는 완료 작업 수, 운송 지연시간, 매니퓰레이터 활용률, AMR 대기시간, 조작 대기시간, 도킹 성공률, 인계 신뢰성, 에너지 소비량, 작업자 개입 빈도, 복구 시간, 전체 임무 사이클 타임(Total Mission Cycle Time) 등이 포함된다. 최적화는 각 로봇이 자신의 체화 특성에 적합한 작업에 집중하도록 하면서 유휴시간과 불필요한 이동을 줄여야 한다.

따라서 AMR과 모바일 매니퓰레이터 협업(AMR and Mobile Manipulator Collaboration)은 운송, 조작, 능력 인지형 작업 할당(Capability-Aware Task Allocation), 공유 월드 상태, 의미 기반 통신, 군집 메모리, 동적 재계획, 집단 학습, 런타임 보증이 하나의 다중 로봇 피지컬 AI 시스템으로 동작하는 방식을 보여준다. 각 로봇은 개별적인 자율성을 유지하지만 군집 지능은 서로 다른 물리적 능력을 조합하여 조정된 엔드투엔드 운영(End-to-End Operation)을 형성한다.

시스템에 경험이 축적되면 협업은 사전에 정의된 운송-조작 순서에서 적응형 집단 물리 지능(Adaptive Collective Physical Intelligence)으로 발전할 수 있다. 군집은 자원을 어떻게 배치하고, 로봇을 동기화하고, 적절한 능력을 선택하고, 장애에서 복구하며, 조건 변화에 따라 워크플로를 재구성해야 하는지를 학습한다. AMR과 모바일 매니퓰레이터는 더 이상 분리된 자동화 영역이 아니라 공유되고 학습하며 지속적으로 적응하는 물리 지능 안에서 상호 보완적으로 동작하는 체화 에이전트(Embodied Agent)가 된다.

10.07. Ground Robot and UAV Collaboration

지상 로봇과 무인항공기 협업(Ground Robot and UAV Collaboration)은 이기종 다중 로봇 피지컬 AI(Heterogeneous Multi-Robot Physical AI) 시스템 내에서 상호 보완적인 지상 및 공중 능력을 결합한다. 지상 로봇(Ground Robot)은 긴 운용시간, 높은 적재 능력, 안정적인 센싱, 지표면 수준의 물리적 접근성을 제공하고, 무인항공기(Unmanned Aerial Vehicle, UAV)는 빠른 이동성, 높은 위치에서의 관측 시점, 장애물을 넘어서는 접근성을 제공한다. 이러한 서로 다른 체화를 조정하면 어느 한 플랫폼만으로는 효율적으로 대응하기 어려운 환경을 팀 전체가 관측하고 행동할 수 있다.

대표적인 임무에는 인프라 검사(Infrastructure Inspection), 산업 모니터링(Industrial Monitoring), 건설 현장 조사, 물류, 환경 관측, 농업, 재난 평가, 탐색 작업 등이 포함된다. UAV는 넓은 지역을 신속하게 조사하여 표적, 위험 요소, 차단된 경로 또는 정밀 검사가 필요한 영역을 식별할 수 있다. 이후 지상 로봇은 선택된 위치로 접근하여 지속적인 센싱, 장비 운반, 근거리 관측 또는 물리적 작업을 수행할 수 있다.

임무 분해(Mission Decomposition)는 이동성, 센싱, 운용시간, 적재 능력, 접근성 요구사항에 따라 목표를 구분한다. 광범위한 정찰 작업은 UAV에 할당하고, 상세 검사나 물리적 개입은 지상 로봇에 할당할 수 있다. 능력 인지형 작업 매칭(Capability-Aware Task Matching)은 이기종 로봇을 서로 교환 가능한 에이전트로 취급하지 않고 각 임무 요구사항에 가장 적합한 물리적 특성을 가진 체화를 선택하도록 한다.

공중 정찰(Aerial Reconnaissance)은 지상 내비게이션(Ground Navigation)을 크게 향상시킬 수 있다. UAV 영상과 매핑 관측은 지상 로봇의 센싱 범위를 넘어 존재하는 장애물, 도로 상태, 지형 경계, 혼잡, 위험 요소, 잠재적 경로를 파악할 수 있다. 이러한 정보는 지상 플랫폼이 해당 영역에 도달하기 전에 공유 환경 표현(Shared Environment Representation)을 갱신하여 로컬 탐색 이후에야 얻을 수 있었던 정보를 사전에 경로계획에 반영하도록 한다.

지상 로봇은 공중 플랫폼이 안정적으로 관측하기 어려운 상호 보완적 정보를 제공한다. 표면 거칠기, 휠 슬립(Wheel Slip), 로컬 여유 공간, 식생 밀도, 작은 장애물, 구조물 세부 정보, 근거리 센서 측정값 등은 높은 위치에서 정확하게 추정하기 어려울 수 있다. 따라서 공중 및 지상 관측을 결합하면 상공에서 확보한 전역적 가시성(Global Visibility)과 지상에서 수집한 상세한 물리적 증거가 결합된 더욱 풍부한 월드 표현(World Representation)을 구성할 수 있다.

공유 공간 및 의미 표현(Shared Spatial and Semantic Representation)은 협업에 필요한 공통 기준을 제공한다. 위치, 물체, 표적, 위험 요소, 경로, 자산, 제한 구역 등을 공유 좌표 및 의미 체계로 표현할 수 있다. 이후 각 로봇은 자신의 체화에 따라 이러한 공통 표현을 해석한다. 바퀴형 로봇이 접근할 수 없는 영역도 UAV는 이동할 수 있으며, 공중에서 식별된 표적이라도 상세한 상호작용을 위해서는 지상 접근이 필요할 수 있다.

군집 월드 메모리(Fleet World Memory)는 공유 지도를 시간 정보가 포함된 운영 경험으로 확장한다. 시스템은 공중 관측, 지상 주행가능성, 위험 요소, 성공한 경로, 접근 불가능 영역, 임무 결과, 통신 품질, 장애 이벤트를 보존할 수 있다. 새로운 관측은 임무 종료 후 사라지는 것이 아니라 이러한 메모리를 갱신하며, 이후의 로봇은 공중 및 지상 플랫폼 전체에서 축적된 이전 정찰과 물리적 경험을 활용할 수 있다.

공유 주행가능성(Shared Traversability)은 공중과 지상의 이동 특성을 구분해야 한다. 벽은 지상 로봇의 이동을 완전히 차단할 수 있지만 UAV에는 큰 문제가 되지 않을 수 있으며, 반대로 강풍이나 비행 제한 공역(Restricted Airspace)은 지상 플랫폼에는 영향을 주지 않으면서 UAV의 이동을 제한할 수 있다. 따라서 능력 인지형 월드 메모리(Capability-Aware World Memory)는 모든 영역에 하나의 보편적인 주행가능성 값을 부여하지 않고 로봇 유형에 따라 접근 가능성을 표현한다.

통신(Communication)은 공중 및 지상 구성요소를 하나의 조정된 팀으로 연결한다. 로봇은 위치, 작업 상태, 의도, 관측 결과, 표적 위치, 위험 요소, 경로 정보, 배터리 상태, 지원 요청을 교환할 수 있다. 의미 기반 통신(Semantic Communication)은 모든 원시 센서 데이터를 지속적으로 전송하는 대신 "표적 탐지(Target Detected)", "지상 경로 차단(Ground Route Blocked)", "착륙 구역 사용 가능(Landing Zone Available)", "추가 검사 필요(Additional Inspection Required)"와 같은 임무 관련 메시지를 우선하여 불필요한 통신량을 줄인다.

UAV는 지형이나 기반시설로 인해 직접적인 연결이 제한되는 경우 임시 통신 지원(Temporary Communication Support)을 제공할 수도 있다. 높은 위치를 활용하여 가시선 통신(Line-of-Sight Communication)을 개선하거나 지상 로봇과 군집 인프라 사이에서 필요한 정보를 중계할 수 있다. 따라서 통신 인지형 계획(Communication-Aware Planning)은 UAV가 어디를 관측해야 하는지뿐 아니라 어느 위치에서 정보 흐름을 향상시킬 수 있는지도 고려할 수 있으며, 이는 넓거나 부분적으로 연결이 제한된 환경에서 특히 중요하다.

공중과 지상 행동이 하나의 순차적인 작업을 형성하면 작업 의존성(Task Dependency)이 중요해진다. UAV가 먼저 자산의 위치를 찾거나 경로를 검증하거나 위험 요소를 식별한 이후 지상 로봇을 투입할 수 있다. 이후 지상 로봇이 다른 공중 관측 시점에서 추가 검사가 필요하다고 보고할 수도 있다. 군집 오케스트레이션(Fleet Orchestration)은 이러한 의존성을 표현하고 새로운 관측이 팀의 임무 이해를 변화시키면 작업을 동적으로 생성, 취소 또는 재우선순위화한다.

협력 계획(Cooperative Planning)은 서로 다른 이동 공간과 시간 규모를 고려해야 한다. 지상 로봇은 지형과 장애물의 제약을 받으면서 지표면을 이동하지만 UAV는 3차원 공역을 이동하고 일반적으로 훨씬 빠르게 특정 위치에 도달할 수 있다. 스케줄러는 이러한 서로 다른 이동 특성을 동기화하여 한 플랫폼이 다른 플랫폼을 불필요하게 기다리지 않도록 하고, 지상 작업이 완료되지 않은 상태에서 UAV의 제한된 운용시간이 낭비되지 않도록 해야 한다.

에너지 제약(Energy Constraint)은 두 체화 형태를 더욱 명확하게 구분한다. 지상 로봇은 일반적으로 더 긴 임무 지속시간을 제공하지만 UAV는 지속적인 추진력이 필요하므로 비행시간이 제한될 수 있다. 따라서 군집 스케줄링(Fleet Scheduling)은 정찰, 신속한 관측, 통신 지원, 접근 불가능 지역과 같이 공중 이동성이 가장 큰 운영 가치를 제공하는 작업에 UAV 자원을 선택적으로 활용해야 한다. 적절한 경우 지속적인 작업은 지상 로봇이 담당하여 UAV의 에너지를 보존할 수 있다.

조건이 변화하면 동적 재계획(Dynamic Replanning)이 필요하다. UAV가 차단된 도로, 이동하는 위험 요소, 손상된 구조물 또는 접근할 수 없는 표적을 발견하면 지상 경로와 작업 일정이 변경될 수 있다. 반대로 지상 로봇은 공중에서 해석한 결과와 다른 실제 지형 조건을 발견할 수 있다. 이때 공유 월드 상태(Shared World State)를 갱신하고 불확실성을 다시 평가하여 초기 임무 가정이 아니라 공중과 지상에서 결합된 증거를 기반으로 새로운 계획을 생성한다.

관측 불확실성(Observation Uncertainty)은 그 출처와 컨텍스트와 함께 유지되어야 한다. 공중 영상은 넓은 범위를 제공하지만 세부 정보가 제한될 수 있고, 지상 센싱은 제한된 시야를 가지지만 로컬 영역에서 높은 정밀도를 제공한다. 군집은 정보를 결합할 때 센서 모달리티(Sensor Modality), 관측 시점, 타임스탬프, 위치추정 신뢰도, 관측 품질을 보존해야 한다. 이를 통해 상충하는 증거가 발생하면 하나의 해석으로 성급하게 통합하지 않고 추가 센싱을 수행할 수 있다.

교차 체화 협업(Cross-Embodiment Collaboration)은 특히 표적 위치추정(Target Localization)에 효과적이다. UAV는 상공에서 물체나 이상을 탐지하고 공유 지도에서 위치를 추정할 수 있다. 지상 로봇은 해당 위치로 이동하여 로컬 인지를 이용해 위치를 더욱 정밀하게 추정한다. 이후 지상 관측 결과를 공유 표적 상태에 반영함으로써 공중 탐지가 지상 행동을 유도하고 지상 검증이 집단 지식을 향상시키는 폐쇄형 정보 루프(Closed Information Loop)를 형성할 수 있다.

장애 처리(Failure Handling)는 가능한 경우 임무 연속성을 유지해야 한다. UAV의 센싱 기능이 상실되거나 배터리 부족으로 복귀해야 하는 경우 다른 공중 플랫폼이 정찰을 계속하고 지상 로봇은 로컬 작업을 유지할 수 있다. 지상 로봇이 이동 불능 상태가 되면 UAV가 주변 환경을 관측하고 상황 정보를 제공하거나 복구 접근 경로를 식별하는 데 도움을 줄 수 있다. 동적 재할당(Dynamic Reallocation)은 임무 목표를 개별 로봇의 가용성과 분리한다.

집단 학습(Collective Learning)을 통해 반복적인 임무에서 두 체화 형태 사이의 조정을 개선할 수 있다. 경험을 통해 어떤 공중 관측 시점이 지상 주행가능성을 가장 잘 예측하는지, 어떤 지형에서 내비게이션 실패가 발생하는지, 어떤 비행 패턴이 유용한 검사 커버리지를 제공하는지, 어떤 통신 구성이 안정적인지를 파악할 수 있다. 이러한 관측은 시간이 지남에 따라 인지, 작업 할당, 경로계획, 정찰 정책, 교차 체화 정보 융합(Cross-Embodiment Information Fusion)을 개선할 수 있다.

지상 로봇과 공중 로봇은 근본적으로 서로 다른 행동 공간(Action Space)을 가지므로 지식 전달(Knowledge Transfer)은 적절한 추상화 수준에서 이루어져야 한다. 의미적 표적, 위험 요소, 공간 관계, 임무 결과, 환경 컨텍스트, 신뢰도는 광범위하게 공유할 수 있지만 지상 이동 정책과 비행 제어 정책은 체화 특화(Embodiment-Specific) 형태로 유지된다. 이를 통해 물리적 기술이 플랫폼 사이에서 직접 이전될 수 있다고 잘못 가정하지 않으면서 집단 학습을 활용할 수 있다.

계층형 컴퓨팅 아키텍처(Layered Computing Architecture)는 로봇, 온프레미스(On-Premise), 클라우드(Cloud) 자원에 지능을 분산할 수 있다. 온보드 엣지 시스템(Onboard Edge System)은 비행 또는 지상 제어, 인지, 위치추정, 로컬 계획, 즉각적인 안전 기능을 실행한다. 온프레미스 군집 지능(On-Premise Fleet Intelligence)은 작업 할당, 공유 월드 상태, 임무 동기화, 통신, 모니터링을 관리하고, 클라우드 시스템은 이력 분석, 모델 학습, 여러 배치 환경에서의 지식 집계를 지원할 수 있다.

임무가 전체적으로 조정되더라도 안전 및 런타임 보증(Safety and Runtime Assurance)은 로컬 요구사항으로 유지되어야 한다. 지상 로봇은 충돌 회피, 지형 및 안정성 제약을 적용하고, UAV는 비행 안정성, 분리 거리, 고도, 지오펜싱(Geofencing), 비상 행동을 유지한다. 군집 수준 지능은 임무 목표와 경로를 변경할 수 있지만 플랫폼별 핵심 안전 메커니즘을 무시해서는 안 된다. 따라서 집단 최적화는 강제된 물리적 안전 경계 안에서 수행된다.

인간 운영자(Human Operator)는 임무 목표, 불확실한 탐지 결과, 위험 요소, 로봇 건전성, 제한 구역, 예외적인 복구 상황을 감독한다. 공통 군집 인터페이스(Common Fleet Interface)는 공중 및 지상 관측을 하나의 운영 상황도(Operational Picture)에 표시하여 작업이 할당되거나 재계획된 이유를 사람이 이해할 수 있도록 한다. 이를 통해 인간 개입은 일상적인 내비게이션과 센싱보다 모호하거나 높은 결과 위험을 가진 의사결정에 집중할 수 있다.

성능(Performance)은 개별 플랫폼의 능력만이 아니라 집단적인 임무 결과(Collective Mission Outcome)를 통해 평가해야 한다. 주요 지표에는 영역 커버리지, 표적 탐지 및 검증, 임무 완료 시간, 지상 이동거리 감소, UAV 비행 활용률, 에너지 소비량, 통신 가용성, 작업자 개입 빈도, 복구 성공률, 작업 완료율 등이 포함된다. 효과적인 협업은 공중의 광범위한 가시성과 지상의 지속적인 수행 능력을 결합함으로써 측정 가능한 성능 향상을 보여주어야 한다.

따라서 지상 로봇과 UAV 협업(Ground Robot and UAV Collaboration)은 이기종 피지컬 AI(Heterogeneous Physical AI)의 핵심 원리를 보여준다. 서로 다른 체화는 공유 표현(Shared Representation), 통신, 능력 인지형 작업 할당(Capability-Aware Task Allocation), 군집 월드 메모리, 동적 조정을 통해 상호 보완적인 능력을 제공해야 한다. 목표는 지상 로봇과 공중 로봇이 동일하게 행동하도록 만드는 것이 아니라 각 플랫폼의 고유한 강점을 하나의 통합된 운영 지능(Unified Operational Intelligence)으로 결합하는 것이다.

경험이 축적되면 시스템은 사전에 정의된 공중 정찰과 지상 후속 작업 방식에서 적응형 집단 물리 지능(Adaptive Collective Physical Intelligence)으로 발전할 수 있다. UAV와 지상 로봇은 변화하는 조건에 따라 언제 관측하고, 어디로 이동하며, 어떤 정보를 공유하고, 임무를 어떻게 재구성해야 하는지를 점진적으로 학습한다. 결과적으로 팀은 물리 환경을 공동으로 관측하고, 기억하고, 추론하며, 변화에 대응하는 분산 센싱 및 행동 시스템(Distributed Sensing and Action System)으로 발전한다.

10.08. Heterogeneous Physical AI Fleet

이기종 피지컬 AI 군집(Heterogeneous Physical AI Fleet)은 근본적으로 서로 다른 체화(Embodiment), 센싱 시스템(Sensing System), 이동 메커니즘(Mobility Mechanism), 조작 능력(Manipulation Capability), 페이로드 용량(Payload Capacity), 운영 역할을 가진 로봇들을 하나의 조정된 물리 지능(Coordinated Physical Intelligence)으로 결합한다. 모든 로봇에 동일한 기능을 요구하는 대신 군집은 다양성 자체를 운영 자원으로 활용한다. AMR, 4족 보행 로봇(Quadruped), 모바일 매니퓰레이터(Mobile Manipulator), 휴머노이드(Humanoid), UAV 및 특수 로봇 플랫폼(Specialized Platform)은 공유된 임무 목표를 위해 상호 보완적인 능력을 제공한다.

따라서 핵심 과제는 단순한 다중 로봇 조정(Multi-Robot Coordination)이 아니라 서로 다른 물리적 체화 사이에서 수행되는 능력 인지형 오케스트레이션(Capability-Aware Orchestration)이다. 하나의 로봇에는 간단한 작업이 다른 로봇에는 지형, 도달 범위, 페이로드, 센싱, 운용시간 또는 안전 제약으로 인해 수행 불가능할 수 있다. 군집 지능(Fleet Intelligence)은 이러한 차이를 명시적으로 이해하고 각각의 임무 요구사항을 성공적인 수행에 적합한 현재의 물리적·계산적 능력을 가진 로봇과 연결해야 한다.

공통 능력 모델(Common Capability Model)은 이기종 작업 할당(Heterogeneous Task Allocation)의 기반을 제공한다. 각 로봇은 이동 유형, 페이로드 용량, 센서 모달리티(Sensor Modality), 조작 기능, 도달 가능한 작업공간, 에너지 상태, 통신 능력, 컴퓨팅 자원, 안전 인증, 운영 제한조건을 기술할 수 있다. 이러한 정보는 고정된 로봇 분류나 사전에 정의된 작업 할당에만 의존하지 않고 각 로봇이 현재 실제로 수행할 수 있는 작업을 군집이 추론하도록 한다.

임무 요청(Mission Request)은 물리적, 공간적, 시간적, 의미적 요구사항을 가진 작업으로 분해된다. 복잡한 검사 임무에는 공중 정찰(Aerial Reconnaissance), 지상 운송, 험지 접근, 근거리 센싱, 물리적 조작 등이 필요할 수 있다. 전체 임무를 하나의 플랫폼에 할당하는 대신 군집 오케스트레이션(Fleet Orchestration)은 서로 다른 로봇이 자신의 체화에 가장 적합한 부분을 실행하면서 작업 간 의존성을 유지하는 워크플로를 구성한다.

능력 인지형 작업 할당(Capability-Aware Task Allocation)은 로봇들의 조합도 고려해야 한다. 일부 목표는 어떠한 단일 플랫폼으로도 완료할 수 없지만 여러 로봇의 협업을 통해 수행 가능해질 수 있다. UAV가 자산의 위치를 파악하고, AMR이 장비를 인근까지 운반하며, 4족 보행 로봇이 험지를 통과하고, 모바일 매니퓰레이터가 물리적 상호작용을 수행할 수 있다. 따라서 군집 지능은 능력 조합(Capability Composition)을 추론하여 복잡한 임무 요구사항을 충족하는 임시 팀을 구성한다.

공유 의도(Shared Intent)는 독립적으로 자율적인 로봇들을 하나의 공통 운영 목표에 연결한다. 각 플랫폼은 할당된 작업, 관련 의존성, 예상 결과, 완료 조건, 다른 에이전트와의 상호작용을 이해해야 한다. 공유 의도가 동일한 내부 제어 아키텍처를 요구하는 것은 아니다. 대신 서로 다른 로봇이 체화 특화 인지, 계획, 제어를 유지하면서 동일한 임무에 참여할 수 있도록 의미 기반 조정 계층(Semantic Coordination Layer)을 제공한다.

공유 월드 상태(Shared World State)는 조정에 필요한 운영 컨텍스트를 제공한다. 로봇 위치, 작업, 물체, 자산, 경로, 위험 요소, 제한 구역, 도킹 위치, 작업 스테이션, 통신 상태, 자원 가용성 등을 공통 프레임워크 안에서 표현할 수 있다. 개별 로봇은 자신의 체화에 따라 이러한 정보를 해석함으로써 동일한 환경에서 서로 다른 접근 가능성, 도달 가능성, 가시성, 상호작용 실행 가능성을 판단할 수 있다.

체화 인지형 주행가능성(Embodiment-Aware Traversability)은 특히 중요하다. 계단은 AMR에는 접근 불가능할 수 있지만 4족 보행 로봇이나 휴머노이드는 이동할 수 있으며 UAV에는 큰 제약이 아닐 수 있다. 좁은 통로, 험지, 상부 장애물, 경사, 출입문, 페이로드 제한, 공역 제약 역시 플랫폼별로 서로 다른 영향을 미친다. 따라서 군집에는 특정 영역의 이동 가능 여부를 하나의 보편적인 값으로 표현하는 대신 능력 조건부 접근성(Capability-Conditioned Accessibility)이 필요하다.

군집 월드 메모리(Fleet World Memory)는 현재 상태를 지속적인 집단 경험(Persistent Collective Experience)으로 확장한다. 시스템은 성공한 경로, 어려운 지형, 신뢰할 수 있는 도킹 자세, 조작 구성, 검사 관측 위치, 통신 음영 지역, 혼잡 패턴, 실패, 복구 행동, 임무 결과 등을 보존할 수 있다. 과거의 지식은 환경 컨텍스트 및 로봇 능력과 연결되어 유지되므로 미래의 에이전트는 이전 경험이 자신의 체화와 현재 운영 조건에 적용 가능한지를 판단할 수 있다.

의미 기반 통신(Semantic Communication)을 사용하면 이기종 로봇들이 서로 호환되지 않는 저수준 제어 표현을 공유하지 않고도 의미 있는 정보를 교환할 수 있다. 메시지는 표적, 물체, 위험 요소, 경로, 작업 상태, 준비 상태, 불확실성, 지원 요청, 장애, 완료 이벤트 등을 표현할 수 있다. UAV가 휠 제어 명령을 이해할 필요가 없고 AMR이 휴머노이드 관절 궤적을 해석할 필요도 없다. 조정은 서로 다른 체화에서도 의미를 유지하는 운영 개념을 통해 이루어진다.

군집 오케스트레이션(Fleet Orchestration)은 이러한 의미 기반 작업 사이의 의존성을 관리한다. 조작을 시작하기 전에 운송이 완료되어야 할 수 있고, 지상 로봇 투입 전에 공중 정찰이 수행되어야 할 수 있으며, 검사 결과에 따라 특수 로봇을 위한 추가 작업이 동적으로 생성될 수 있다. 따라서 스케줄링은 선행 관계, 동기화, 로봇 가용성, 이동시간, 작업시간, 에너지, 자원 충돌을 고려하면서 새로운 정보가 발생할 때 워크플로를 지속적으로 조정한다.

로봇의 가용성과 능력은 운영 중 변화하므로 동적 작업 재할당(Dynamic Task Reallocation)이 필수적이다. 배터리 감소, 센서 성능 저하, 액추에이터 장애, 통신 문제, 환경 변화 또는 예상하지 못한 작업량은 특정 작업에 가장 적합한 로봇을 변화시킬 수 있다. 군집 지능은 미완료 작업을 재할당하고 가능한 경우 다른 체화로 대체하거나 직접적인 대체가 불가능하면 임무 구조 자체를 변경하여 고정된 로봇 할당보다 임무 목표를 유지한다.

능력 저하(Capability Degradation)는 단순한 정상 또는 장애의 이진 상태가 아니라 연속적인 상태로 표현해야 한다. 그리퍼에 장애가 발생한 모바일 매니퓰레이터도 내비게이션과 센싱에는 활용할 수 있으며, 배터리 용량이 감소한 AMR도 짧은 운송 임무를 수행할 수 있다. 영상 센싱 성능이 저하된 UAV도 통신 중계에는 활용될 수 있다. 잔존 능력(Remaining Capability)을 추적하면 안전한 운영 범위를 벗어난 작업을 할당하지 않으면서 사용 가능한 자원을 계속 활용할 수 있다.

자원 조정(Resource Coordination)은 개별 로봇을 넘어 확장된다. 충전 스테이션, 도킹 구역, 엘리베이터, 통로, 공역, 전달 구역, 통신 대역폭, 컴퓨팅 자원, 공구, 작업 스테이션 등이 모두 공유 제약이 될 수 있다. 군집 수준 계획(Fleet-Level Planning)은 이러한 자원에 대한 접근을 스케줄링하고 물리적 점유 영역, 운영 속도, 안전 영역, 자원 요구사항이 크게 다른 이기종 에이전트 사이의 충돌을 방지한다.

교차 체화 인계(Cross-Embodiment Handover)는 여러 물리 에이전트의 능력을 하나로 결합하도록 한다. AMR은 컨테이너를 모바일 매니퓰레이터에 전달할 수 있고, UAV는 지상 로봇에 좌표를 제공할 수 있으며, 휴머노이드는 다른 플랫폼이 운송한 물체를 가져갈 수 있다. 성공적인 인계를 위해서는 물체 식별, 위치, 자세, 시점, 준비 상태, 소유권, 완료 상태에 대한 합의가 필요하므로 인계는 의미적·물리적 동기화 문제(Semantic and Physical Synchronization Problem)가 된다.

불확실성(Uncertainty)은 협업 추론 전반에서 명시적으로 유지되어야 한다. 서로 다른 플랫폼은 서로 다른 관측 위치와 센서 특성을 통해 환경을 인지한다. 공중 영상은 넓은 영역을 제공하고, 지상 센서는 근거리의 세부 정보를 제공하며, 매니퓰레이터는 물리적 상호작용을 통한 증거를 제공할 수 있다. 군집 지능은 관측 출처, 신뢰도, 타임스탬프, 컨텍스트를 보존하여 상충하는 정보가 발생할 경우 성급한 합의 대신 추가 검증을 수행할 수 있도록 해야 한다.

집단 학습(Collective Learning)은 이기종 군집의 경험을 미래 행동 개선으로 전환한다. 반복적인 운영을 통해 특정 환경 조건에서 어떤 로봇 능력이 가장 효과적인지, 어떤 작업 조합이 지연을 감소시키는지, 어떤 인계 구성이 신뢰성이 높은지, 어떤 경로나 행동이 반복적으로 실패하는지를 발견할 수 있다. 이러한 관측은 지속적인 배치를 통해 능력 모델, 작업 할당, 스케줄링, 인지, 계획, 복구, 운영 정책을 개선할 수 있다.

교차 체화 학습(Cross-Embodiment Learning)은 물리적 기술을 직접 교환할 수 없기 때문에 신중한 추상화가 필요하다. AMR의 내비게이션 정책을 UAV의 비행 정책으로 그대로 사용할 수 없으며, 휴머노이드의 조작 궤적을 모바일 매니퓰레이터에 직접 적용할 수도 없다. 그러나 물체 의미, 공간 관계, 임무 결과, 위험 요소, 작업 의존성, 신뢰도, 성공적인 워크플로 패턴은 공유할 수 있으므로 체화 특화 제어 계층보다 상위 수준에서 지식을 전달할 수 있다.

관측, 실패, 인간 개입, 복구, 성공적인 임무를 체계적으로 수집하고 평가하면 군집 데이터 플라이휠(Fleet Data Flywheel)이 형성된다. 가치 있는 경험은 학습 또는 검증 데이터가 되고, 개선된 모델과 정책이 생성되며, 검증된 업데이트는 적절한 로봇 유형에 다시 배포된다. 따라서 군집의 일부에서 생성된 지식이 모든 로봇이 동일한 상황을 직접 경험하지 않더라도 다른 에이전트의 성능을 개선할 수 있다.

컴퓨팅 아키텍처(Computing Architecture)는 자연스럽게 로컬 체화 지능(Local Embodied Intelligence)과 집단 지능(Collective Intelligence)을 분리한다. 로봇 엣지 시스템(Robot Edge System)은 인지, 위치추정, 이동, 조작, 즉각적인 계획, 안전 필수 제어를 실행한다. 온프레미스 군집 지능(On-Premise Fleet Intelligence)은 공유 월드 상태, 작업 오케스트레이션, 자원 관리, 군집 메모리, 모니터링, 로컬 학습 서비스를 담당한다. 클라우드 시스템(Cloud System)은 대규모 학습, 이력 분석, 사이트 간 집계, 파운데이션 수준 지식 관리(Foundation-Level Knowledge Management)를 지원할 수 있다.

이기종 로봇은 서로 다른 물리적 위험을 가지므로 런타임 보증(Runtime Assurance)은 분산된 형태로 유지되어야 한다. AMR에는 충돌 및 교통 안전이 필요하고, 4족 보행 로봇에는 보행 안정성이 필요하며, UAV에는 비행 영역 및 지오펜싱(Geofencing)이 필요하고, 매니퓰레이터에는 작업공간 및 접촉 제약이 필요하다. 군집 지능은 이들의 활동을 조정하지만 플랫폼별 안전 메커니즘을 대체할 수 없다. 따라서 전역 최적화(Global Optimization)는 독립적으로 강제되는 로컬 안전 범위(Local Safety Envelope) 안에서 수행된다.

인간 운영자(Human Operator)는 로봇별 직접 제어가 아니라 임무 수준(Mission-Level)에서 집단 시스템을 감독한다. 운영자는 군집 상태, 이상 상황, 불확실한 관측, 능력 저하, 자원 충돌, 복구 이벤트를 검토할 수 있다. 인간은 우선순위를 변경하고 민감한 행동을 승인하거나 예외 상황을 해결하며, 일상적인 조정은 자율적으로 수행된다. 이를 통해 상대적으로 적은 수의 운영자가 개별 플랫폼을 지속적으로 원격조종하지 않고도 점점 더 크고 다양한 군집을 감독할 수 있다.

군집 성능(Fleet Performance)은 개별 로봇의 성능 지표를 평균하는 것이 아니라 집단적인 임무 효과(Collective Mission Effectiveness)를 기준으로 측정해야 한다. 주요 지표에는 임무 완료율, 커버리지, 사이클 타임(Cycle Time), 로봇 활용률, 작업 대기시간, 인계 성공률, 에너지 효율, 인간 개입 빈도, 복구 성능, 자원 혼잡, 로봇 손실에 대한 복원력 등이 포함된다. 성공적인 이기종 군집은 조정 오버헤드를 최소화하면서 서로 다른 능력을 조합하여 독립적인 특수 로봇보다 높은 전체 성능을 제공해야 한다.

결과적으로 이기종 피지컬 AI 군집(Heterogeneous Physical AI Fleet)은 유사한 자율 기계들의 군집에서 상호 보완적인 체화 지능(Embodied Intelligence)의 분산 시스템으로 전환되는 과정을 나타낸다. AMR, 4족 보행 로봇, UAV, 휴머노이드, 모바일 매니퓰레이터, 특수 로봇은 각각 개별적인 자율성을 유지하지만 공유 월드 상태, 의미 기반 통신, 군집 메모리, 능력 인지형 오케스트레이션, 집단 학습, 런타임 보증을 통해 하나의 일관된 운영 시스템으로 연결된다.

아키텍처가 성숙하면 군집 지능은 사전에 정의된 조정 규칙에서 적응형 집단 물리 지능(Adaptive Collective Physical Intelligence)으로 발전할 수 있다. 시스템은 변화하는 조건에서 어떤 체화, 능력 조합, 워크플로, 자원 배치가 가장 효과적인지를 학습하고 이에 따라 임무를 재구성한다. 이 단계에서는 물리적 다양성 자체가 지능의 원천이 된다. 서로 다른 로봇은 각기 다른 방식으로 물리 세계를 인지하고, 이동하고, 조작하고, 경험하며, 군집은 이러한 차이를 공유 지식(Shared Knowledge)과 조정된 행동(Coordinated Action)으로 통합한다.

10.09. Swarm Exploration Case Study

군집 탐색(Swarm Exploration)은 알려지지 않았거나 부분적으로만 매핑되어 있거나, 동적으로 변화하거나, 하나의 로봇이 효율적으로 탐색하기에는 너무 넓은 환경에 다중 로봇 피지컬 AI(Multi-Robot Physical AI)를 적용한다. 여러 로봇은 중앙에서 사전에 정의된 경로만 따르는 대신 미탐색 공간에 분산되어 관측 정보를 수집하고 환경에 대한 공유 표현(Shared Representation)을 지속적으로 갱신한다. 집단 탐색은 다수의 로컬 센싱 행동을 조정된 전역적 발견(Global Discovery)으로 전환한다.

대표적인 임무는 사전 정보가 제한된 환경에 로봇 팀이 진입하면서 시작된다. 해당 영역에는 복도, 방, 야외 지형, 장애물, 위험 구역 또는 접근할 수 없는 통로가 존재할 수 있다. 각 로봇은 물리 세계의 일부 영역만 로컬에서 관측할 수 있으므로 탐색 성능은 개별 로봇이 어디로 이동해야 하는지를 결정하면서 다른 구성원이 이미 조사한 영역의 불필요한 중복 탐색을 방지하는 능력에 좌우된다.

프론티어 기반 탐색(Frontier-Based Exploration)은 탐색 목표를 분산하기 위한 실용적인 메커니즘을 제공한다. 프론티어(Frontier)는 이미 알려진 자유 공간과 아직 관측되지 않은 영역 사이의 경계를 의미한다. 로봇은 후보 프론티어를 식별하고 잠재적인 정보 가치, 이동 비용, 위험도, 접근 가능성을 추정한다. 이후 군집은 유망한 목표에 로봇을 분산 배치하여 여러 영역을 순차적이 아니라 동시에 탐색하도록 한다.

단순한 최근접 프론티어 할당(Nearest-Frontier Assignment)은 여러 로봇이 반복적으로 동일한 목표를 선택하면서 비효율적인 행동을 만들 수 있다. 따라서 군집 조정(Swarm Coordination)은 로봇 위치, 할당된 목적지, 예상 정보 이득(Expected Information Gain), 경로 중복, 현재 작업량을 고려한다. 중복 탐색에는 비용을 부여하고 공간적 분산에는 가치를 부여하여 로봇이 상호 보완적인 영역을 탐색하도록 하면서 협업이나 통신이 필요한 경우 다시 집결할 수 있도록 한다.

탐색(Exploration)은 단순한 내비게이션 문제가 아니라 본질적으로 정보 획득 문제(Information Acquisition Problem)이다. 다른 목표가 훨씬 더 유용한 정보를 제공할 것으로 예상된다면 로봇이 항상 가장 가까운 미탐색 위치를 선택할 필요는 없다. 정보 이득(Information Gain)은 새롭게 관측 가능한 영역, 지도 불확실성 감소, 영역 간 연결성 발견 또는 임무와 관련된 의미 정보의 획득을 나타낼 수 있다. 탐색 계획은 이러한 정보 가치와 이동 비용 및 위험 사이의 균형을 고려한다.

분산 매핑(Distributed Mapping)은 개별 로봇이 수집한 관측 결과가 더 큰 환경 모델에 기여하도록 한다. 각 로봇은 라이다(LiDAR), 카메라(Camera), 깊이 센서(Depth Sensor), 관성 측정(Inertial Measurement) 등의 센서를 활용하여 로컬 인지, 위치추정, 지도 생성을 수행한다. 이후 로컬 지도 구간과 중요한 관측 정보를 교환하고 정렬하여 개별 플랫폼의 센싱 범위를 넘어서는 환경 표현을 군집이 점진적으로 구축할 수 있다.

지도 병합(Map Merging)을 위해서는 로봇과 로봇의 관측 사이에 신뢰성 있는 공간 관계가 필요하다. 상대 위치추정(Relative Localization), 공유 랜드마크, 루프 클로저(Loop Closure), 사용 가능한 경우 GNSS 또는 공통 기준 좌표계를 활용하여 정렬을 지원할 수 있다. 잘못된 지도 연관은 공유 월드 모델을 오염시킬 수 있으므로 변환 및 관측에는 불확실성과 신뢰도가 함께 포함되어야 한다. 따라서 집단 매핑은 공간 정보뿐 아니라 정보를 결합하는 데 사용되는 관계의 신뢰성까지 관리해야 한다.

공유 월드 상태(Shared World State)를 통해 각 로봇은 자신의 로컬 시야를 넘어 전체 탐색 진행 상황을 추론할 수 있다. 여기에는 탐색 및 미탐색 영역, 로봇 위치, 할당된 프론티어, 장애물, 위험 요소, 통신 상태, 위치추정 신뢰도, 일시적인 경로 제한 등이 포함될 수 있다. 모든 로봇이 모든 원시 관측의 동일한 복사본을 가질 필요는 없지만 불필요한 중복을 방지하고 미래 행동을 조정할 수 있을 정도의 공유 정보는 필요하다.

통신 제약(Communication Constraint)은 군집 탐색에 큰 영향을 미친다. 로봇은 직접적인 무선 통신 범위를 벗어나거나 통신 음영 지역에 진입하거나 제한된 대역폭에서 동작할 수 있다. 따라서 탐색 전략은 지속적인 고대역폭 연결을 전제로 해서는 안 된다. 로봇은 연결이 끊어진 동안에도 로컬 자율성(Local Autonomy)을 유지하고 관측을 저장하며, 통신이 다시 가능해지면 중요한 지도 및 임무 정보를 동기화하여 통신 성능이 저하된 상황에서도 유용한 탐색을 계속할 수 있다.

연결성 인지형 탐색(Connectivity-Aware Exploration)은 통신 품질을 계획 과정에 직접 포함한다. 가장 높은 가치의 목표로 이동하면 팀과 완전히 단절되는 경우 로봇은 정보 가치가 조금 낮은 프론티어를 선택할 수 있다. 다른 로봇은 통신 중계기(Communication Relay) 역할을 수행하거나 중간 연결성을 유지하도록 위치할 수 있다. 따라서 군집은 특히 임무 안전이나 발견 정보의 신속한 공유를 위해 주기적인 네트워크 연결이 필요한 상황에서 공간적 커버리지와 정보 흐름 사이의 균형을 조정한다.

의미 기반 통신(Semantic Communication)은 네트워크 요구량을 더욱 감소시킨다. 로봇은 모든 원시 센서 스트림을 지속적으로 전송하는 대신 "프론티어 할당(Frontier Assigned)", "영역 탐색 완료(Region Explored)", "통로 차단(Passage Blocked)", "위험 탐지(Hazard Detected)", "위치추정 불확실(Localization Uncertain)", "새로운 연결 발견(New Connection Discovered)"과 같은 간결한 이벤트를 교환할 수 있다. 대용량 센서 데이터는 지도 병합이나 상세 분석에 필요한 경우 선택적으로 전송하고, 의미 기반 갱신을 통해 훨씬 적은 통신량으로 집단 상황 인식을 유지한다.

서로 다른 이동성이나 센싱 능력을 가진 로봇으로 구성된 경우 탐색은 더욱 복잡해진다. AMR은 평탄한 복도를 효율적으로 탐색할 수 있고, 4족 보행 로봇(Quadruped)은 계단이나 잔해를 통과할 수 있으며, UAV는 높은 위치나 물리적으로 분리된 영역을 조사할 수 있다. 따라서 프론티어 할당은 능력 인지형 접근성(Capability-Aware Accessibility)을 고려해야 한다. 프론티어는 할당된 로봇이 안전하게 도달하고 불확실성을 의미 있게 감소시키는 관측을 수행할 수 있을 때에만 가치가 있다.

공유 주행가능성(Shared Traversability)은 물리적 경험이 이후의 탐색 의사결정에 영향을 미치도록 한다. 하나의 로봇이 미끄러운 지형, 급경사, 불안정한 표면, 좁은 통로 또는 예상하지 못한 장애물을 발견하면 해당 관측을 군집 월드 메모리(Fleet World Memory)에 추가할 수 있다. 다른 로봇은 동일한 영역에 접근하기 전에 이러한 지식을 반영한다. 따라서 탐색은 단순한 기하학적 지도뿐 아니라 서로 다른 체화(Embodiment)가 환경을 어떻게 물리적으로 이동할 수 있는지에 대한 표현까지 구축한다.

동적 작업 재할당(Dynamic Task Reallocation)은 탐색 조건이 변화하더라도 진행 상황을 유지하도록 한다. 로봇은 할당된 프론티어에 접근할 수 없다는 사실을 발견하거나 하드웨어 문제, 위치추정 신뢰도 저하, 배터리 부족을 경험할 수 있다. 이 경우 목표를 해제하여 다른 적합한 로봇에 할당하고 문제가 발생한 플랫폼은 복귀, 복구 또는 더 낮은 위험의 작업을 수행할 수 있다. 탐색 목표는 지속적으로 유지되지만 해당 목표를 담당하는 로봇은 변경될 수 있다.

장애 허용성(Failure Tolerance)은 군집 탐색의 중요한 장점이다. 하나의 로봇을 잃더라도 전체 임무가 종료되는 것이 아니라 사용 가능한 탐색 능력이 감소하는 수준에 머물러야 한다. 남은 로봇은 미탐색 영역을 재분배하고 통신 토폴로지(Communication Topology)를 조정하면서 매핑을 계속할 수 있다. 장애 발생 전에 해당 로봇이 관측 정보를 전송했다면 축적된 지식은 군집에서 계속 활용할 수 있다. 따라서 집단 메모리는 획득한 정보의 가치를 해당 정보를 수집한 로봇의 지속적인 가용성과 분리한다.

군집 월드 메모리(Fleet World Memory)는 현재 임무 상태를 넘어 탐색 경험을 보존한다. 시스템은 발견된 경로, 어려운 지형, 위치추정 실패, 통신 음영 지역, 위험 요소, 성공적인 복구 행동, 높은 정보 이득과 관련된 영역을 유지할 수 있다. 유사한 환경이나 반복 임무를 수행할 때 이러한 과거 경험은 탐색 우선순위에 영향을 주고 반복적인 시행착오를 통해 동일한 운영 지식을 다시 발견해야 하는 필요성을 감소시킨다.

집단 학습(Collective Learning)은 축적된 임무 경험을 활용하여 탐색 정책을 개선할 수 있다. 어떤 프론티어 특성이 유용한 발견으로 이어지는지, 어떤 지형에서 장애가 빈번하게 발생하는지, 어디에서 통신 성능이 저하될 가능성이 높은지, 로봇 밀도가 커버리지 효율에 어떤 영향을 미치는지를 경험을 통해 발견할 수 있다. 이러한 관측은 미래 배치에서 목표 선택, 정보 이득 추정, 주행가능성 예측, 통신 인지형 계획, 작업 할당을 개선할 수 있다.

어려운 탐색 상황을 체계적으로 수집하고 재사용하면 군집 데이터 플라이휠(Fleet Data Flywheel)이 형성된다. 매핑 실패, 위치추정 불확실성, 차단된 통로, 통신 단절, 성공적인 복구 행동은 가치 있는 학습 사례가 된다. 이후 개선된 모델과 정책을 적절한 로봇에 다시 배포함으로써 소수의 에이전트가 획득한 교훈이 더 넓은 군집의 탐색 행동을 향상시키도록 할 수 있다.

컴퓨팅 아키텍처(Computing Architecture)는 분산 엣지 자율성(Distributed Edge Autonomy)과 상위 수준의 집단 서비스를 결합할 수 있다. 각 로봇은 온보드에서 인지, 위치추정, 매핑, 로컬 계획, 장애물 회피, 즉각적인 안전 기능을 실행한다. 온프레미스 서비스(On-Premise Service)는 공유 월드 메모리를 유지하고 프론티어 할당을 조정하며 군집 상태를 모니터링하고 지도를 집계할 수 있다. 클라우드 자원(Cloud Resource)은 대규모 학습, 이력 분석, 시뮬레이션, 임무 간 지식 집계를 지원할 수 있다.

탐색은 의도적으로 로봇을 불확실한 영역으로 이동시키므로 런타임 보증(Runtime Assurance)은 필수적이다. 로컬 안전 메커니즘(Local Safety Mechanism)은 탐색 보상과 관계없이 충돌 위험, 지형 안정성, 속도, 지오펜싱(Geofencing), 배터리 예비량, 비상 행동을 제한한다. 예상 정보 이득이 높은 프론티어라고 하더라도 핵심적인 안전 한계를 무시해서는 안 된다. 따라서 집단 최적화는 각 물리적 플랫폼에서 독립적으로 강제되는 안전 범위(Safety Envelope) 안에서 수행된다.

인간 운영자(Human Operator)는 모든 로봇의 움직임을 직접 지시하는 대신 탐색 목표를 감독한다. 운영자는 임무 경계, 제한 영역, 우선순위, 최소 연결성 요구사항, 위험 한계를 정의하면서 발견된 위험 요소와 로봇 건전성을 모니터링할 수 있다. 인간 개입은 모호하거나 결과의 영향이 큰 상황에 한정된다. 이러한 임무 수준 감독(Mission-Level Supervision)은 인간 원격조종 인력을 비례적으로 증가시키지 않고도 점점 더 큰 군집이 자율적으로 탐색하도록 한다.

성능(Performance)은 집단 탐색 결과(Collective Exploration Outcome)를 기준으로 측정해야 한다. 주요 지표에는 영역 커버리지, 지도 완성도, 지도 일관성, 단위 시간당 정보 이득, 중복 탐색, 이동거리, 에너지 소비량, 통신 가용성, 로봇 활용률, 인간 개입 빈도, 로봇 손실에 대한 복원력 등이 포함된다. 효과적인 군집 행동은 중복 이동을 최소화하고 허용 가능한 안전성과 연결성을 유지하면서 유용한 커버리지를 빠르게 증가시켜야 한다.

따라서 군집 탐색(Swarm Exploration)은 분산 인지(Distributed Perception), 프론티어 할당(Frontier Allocation), 정보 이득, 공유 매핑, 통신, 군집 월드 메모리, 능력 인지형 주행가능성(Capability-Aware Traversability), 동적 재할당, 집단 학습이 하나의 다중 로봇 피지컬 AI 프로세스로 동작하는 방식을 보여준다. 개별 로봇은 로컬 의사결정을 수행하지만 팀 전체가 공유 물리 환경의 불확실성을 점진적으로 감소시키도록 각 로봇의 관측과 행동이 조정된다.

군집에 경험이 축적되면 탐색은 반응적인 프론티어 선택(Reactive Frontier Selection)에서 적응형 집단 물리 지능(Adaptive Collective Physical Intelligence)으로 발전할 수 있다. 로봇은 어디에서 유용한 정보를 발견할 가능성이 높은지, 어떤 에이전트가 특정 영역을 조사해야 하는지, 통신을 어떻게 유지해야 하는지, 언제 작업을 재분배해야 하는지를 학습한다. 결과적으로 군집은 물리 세계에 대한 지식이 확장됨에 따라 집단적으로 탐색하고, 매핑하고, 기억하며, 불확실성으로부터 학습하고, 스스로를 재구성하는 분산 지능(Distributed Intelligence)으로 발전한다.

10.10. Collective Learning Case Study

집단 학습(Collective Learning)은 각각의 로봇이 독립적으로 학습하도록 하는 대신 다수의 배치된 에이전트(Deployed Agent)가 축적한 경험을 결합하여 로봇 군집 전체가 개선될 수 있도록 한다. 각 로봇은 서로 다른 환경, 물체, 장애, 인간과의 상호작용, 운영 조건을 경험한다. 이러한 경험을 체계적으로 수집하여 재사용 가능한 지식으로 변환하면 개별적인 경험 에피소드가 향후 인지, 계획, 제어, 의사결정을 개선하는 군집 수준 학습 자산(Fleet-Level Learning Asset)으로 발전한다.

대표적인 사례는 여러 로봇이 하나의 시설 또는 여러 배치 사이트에서 정상적인 운영 임무를 수행하는 과정에서 시작된다. AMR은 자재를 운송하고, 4족 보행 로봇(Quadruped)은 험난한 지형을 검사하며, 매니퓰레이터(Manipulator)는 물체와 상호작용하고, UAV는 넓은 영역을 관측할 수 있다. 각 로봇은 할당된 물리적 작업을 수행하면서 관측, 행동, 결과, 불확실성 추정, 인간 개입 기록, 시스템 건전성 정보를 생성한다.

모든 운영 경험이 동일한 학습 가치를 가지는 것은 아니다. 일상적인 성공 행동은 기존 능력을 확인하는 데 유용하지만 비정상적인 장애, 니어 미스(Near Miss), 불확실한 인지, 예상하지 못한 장애물, 어려운 지형, 비효율적인 경로, 인간 개입은 더욱 중요한 학습 사례를 제공하는 경우가 많다. 따라서 군집에는 모든 원시 센서 스트림을 무분별하게 학습 인프라로 전송하는 대신 학습 가치가 높은 이벤트(Learning-Relevant Event)를 식별하는 메커니즘이 필요하다.

로컬 이벤트 탐지(Local Event Detection)는 로봇에서 직접 수행될 수 있다. 엣지 시스템(Edge System)은 위치추정 성능 저하, 반복적인 계획 실패, 예상하지 못한 물체 탐지, 비정상적인 에너지 소비, 조작 실패, 경로 차단, 안전 개입, 운영자 인계(Operator Takeover) 등의 상태를 식별할 수 있다. 이후 해당 이벤트 전후의 관련 센서 구간과 컨텍스트 상태를 보존하여 사후 분석에 필요한 증거를 유지하면서도 간결한 학습 에피소드(Learning Episode)를 생성할 수 있다.

각 학습 에피소드에는 발생한 상황을 설명할 수 있는 충분한 컨텍스트(Context)가 포함되어야 한다. 유용한 정보에는 로봇 유형, 소프트웨어 및 모델 버전, 센서 구성, 작업 식별 정보, 환경 상태, 위치추정 신뢰도, 수행 행동, 예측 결과, 실제 결과, 안전 이벤트, 인간의 수정 사항 등이 포함될 수 있다. 이러한 컨텍스트가 없다면 외형적으로 유사한 장애라도 근본적인 원인이 다를 수 있으며 동일한 학습 사례로 자동 처리해서는 안 된다.

군집 데이터 수집(Fleet Data Collection)은 분산된 로봇 경험을 구조화된 학습 저장소(Learning Repository)로 변환한다. 서로 다른 로봇에서 수집된 에피소드는 정규화, 인덱싱, 검증 과정을 거쳐 물체 클래스, 지형 유형, 작업 범주, 장애 모드, 위치, 운영 조건과 같은 공유 의미 개념(Shared Semantic Concept)에 연결될 수 있다. 이를 통해 학습 시스템은 개별 로봇 로그를 독립적으로 분석하는 대신 여러 배치 환경에서 반복적으로 발생하는 패턴을 검색할 수 있다.

집단 학습은 유용한 지식뿐 아니라 체계적인 오류도 증폭시킬 수 있기 때문에 데이터 품질 관리(Data Quality Management)가 필수적이다. 센서 장애, 잘못된 라벨, 위치추정 오류, 중복 에피소드, 손상된 기록 또는 잘못된 운영자 주석은 공유 데이터셋을 오염시킬 수 있다. 따라서 에피소드가 모델이나 정책 개선에 사용되는 신뢰할 수 있는 학습 데이터가 되기 전에 완전성, 일관성, 신뢰도, 출처 추적성(Provenance), 관련성을 검증해야 한다.

군집 월드 메모리(Fleet World Memory)와 학습 저장소(Learning Repository)는 서로 관련되어 있지만 다른 기능을 수행한다. 월드 메모리는 위험 요소, 주행가능성, 성공적인 경로, 알려진 자산 상태처럼 현재 또는 미래의 임무 추론에 필요한 운영 지식을 보존한다. 학습 저장소는 모델과 정책을 개선하는 데 적합한 사례를 보존한다. 선택된 정보는 두 시스템 사이에서 이동할 수 있으므로 운영 경험을 단기적인 의사결정과 장기적인 학습 모두에 활용할 수 있다.

장애 군집화(Failure Clustering)는 개별 로봇만 관찰해서는 발견하기 어려운 패턴을 드러낼 수 있다. 여러 AMR이 시각적으로 반복되는 복도에서 독립적으로 위치추정 성능 저하를 경험하거나, 여러 매니퓰레이터가 유사한 반사 표면을 가진 물체에서 실패할 수 있다. 이러한 에피소드를 집계하면 공통된 환경 또는 시스템 조건을 발견하여 고립된 개별 사고와 체계적인 개선이 필요한 군집 전체의 취약점(Fleet-Wide Weakness)을 구분할 수 있다.

학습 우선순위(Learning Priority)는 단순한 데이터 양이 아니라 운영 영향도(Operational Impact)를 기준으로 결정해야 한다. 안전, 임무 실패, 비용이 큰 인간 개입 또는 심각한 성능 저하와 관련된 희귀 이벤트는 수천 개의 일상적인 성공 사례보다 더 높은 우선순위를 가질 수 있다. 능동적 데이터 선택(Active Data Selection)은 높은 불확실성, 신규성, 불일치 또는 결과의 중요성을 가진 사례를 우선하여 개선 효과가 가장 큰 영역에 계산 및 주석 자원을 집중할 수 있다.

모델 개선(Model Improvement)은 여러 수준에서 이루어질 수 있다. 인지 모델(Perception Model)은 어려운 물체와 환경 조건을 학습할 수 있고, 주행가능성 모델(Traversability Model)은 새로운 지형 경험을 반영할 수 있으며, 예측 모델(Prediction Model)은 작업시간이나 에너지 수요를 더욱 정확하게 추정할 수 있다. 또한 계획 정책(Planning Policy)은 반복되는 상황에 대한 더 나은 대응을 학습할 수 있다. 적절한 학습 대상은 관측된 취약점이 센싱, 표현, 예측, 의사결정 또는 물리적 실행 중 어디에서 발생했는지에 따라 달라진다.

시뮬레이션(Simulation)은 가치 있는 실제 환경의 경험을 더 광범위한 학습 시나리오로 확장할 수 있다. 하나의 로봇에서 기록된 어려운 상황을 시뮬레이션에서 재구성하거나 근사하고, 조명, 장애물 배치, 지형, 페이로드, 로봇 상태 또는 작업 구성을 다양하게 변경할 수 있다. 이를 통해 제한된 하나의 물리적 이벤트를 더 큰 범위의 통제된 경험으로 확장하면서 현실에서 어려운 상황을 반복적으로 재현하는 비용과 위험을 줄일 수 있다.

업데이트된 모델을 배포하기 전에 선택된 사례의 개선이 다른 영역에서 성능 저하(Regression)를 발생시키지 않는지 검증해야 한다. 후보 모델은 과거 데이터셋, 시뮬레이션, 섀도 실행(Shadow Execution), 벤치마크 임무, 통제된 물리 테스트를 통해 평가할 수 있다. 평균적인 성능 지표뿐 아니라 주요 장애 범주에 대해서도 비교함으로써 하나의 취약점을 해결하는 과정에서 다른 운영 조건에 허용할 수 없는 행동이 새롭게 발생하지 않도록 해야 한다.

배포(Deployment)는 즉각적인 전체 군집 업데이트가 아니라 통제된 군집 프로세스(Controlled Fleet Process)로 관리해야 한다. 새로운 모델이나 정책은 먼저 소수의 로봇 또는 지정된 테스트 환경에 배포할 수 있다. 기존 기준선(Baseline)과 비교하여 성능을 모니터링하고 충분한 증거를 통해 허용 가능한 행동이 확인되면 배포 범위를 점진적으로 확대할 수 있다. 예상하지 못한 성능 저하나 운영 문제가 발견되면 이전 버전으로 복귀할 수 있는 롤백 메커니즘(Rollback Mechanism)을 유지해야 한다.

따라서 모델 버전 관리(Model Versioning)와 출처 추적성(Provenance)은 집단 학습의 핵심 요소이다. 군집은 어떤 로봇이 어떤 모델을 실행했는지, 어떤 학습 데이터가 해당 모델 생성에 사용되었는지, 어떠한 검증 기준을 충족했는지, 업데이트가 언제 배포되었는지를 파악할 수 있어야 한다. 새로운 장애가 발생하면 이러한 계보(Lineage)를 통해 기존 한계인지, 새롭게 발생한 회귀 문제인지, 기존 데이터에 포함되지 않았던 환경 조건인지 판단할 수 있다.

배치가 지속적으로 다음 개선 사이클을 위한 경험을 생성하면 군집 데이터 플라이휠(Fleet Data Flywheel)이 형성된다. 로봇이 운영되고, 관련 이벤트가 탐지되며, 가치 있는 에피소드가 수집되고, 데이터셋이 정제되고, 모델이 학습되며, 검증을 거친 승인된 업데이트가 다시 군집으로 전달된다. 개선된 군집은 다시 새로운 운영 경험을 생성함으로써 물리적 배치 자체가 지속적인 학습의 원천이 되는 반복적인 폐쇄 루프(Closed Loop)를 형성한다.

집단 학습이 모든 로봇에 동일한 모델 업데이트를 적용해야 한다는 의미는 아니다. 이기종 군집(Heterogeneous Fleet)에는 서로 다른 센서와 행동 공간을 가진 AMR, 4족 보행 로봇, UAV, 휴머노이드, 매니퓰레이터가 포함될 수 있다. 공유 지식은 의미적, 환경적 또는 작업 수준에서 전달할 수 있지만 체화 특화 모델(Embodiment-Specific Model)은 전문화된 상태로 유지된다. 따라서 업데이트는 로봇 능력, 하드웨어 호환성, 운영 역할, 검증된 적용 가능성에 따라 배포되어야 한다.

교차 체화 학습(Cross-Embodiment Learning)은 경험에 원래의 로봇 신체와 독립적인 지식이 포함되어 있을 때 특히 유용하다. UAV가 지상 내비게이션에 영향을 미치는 환경 변화를 발견하거나 4족 보행 로봇이 AMR이 회피해야 하는 위험 구역을 발견할 수 있다. 조작 경험을 통해 다른 플랫폼에도 유용한 물체 특성을 파악할 수도 있다. 군집은 서로 호환되지 않는 저수준 운동 정책을 직접 전달하지 않고 이러한 의미적·환경적 교훈을 공유할 수 있다.

온프레미스 지능(On-Premise Intelligence)은 집단 학습 루프에서 중심적인 역할을 수행할 수 있다. 배치된 로봇과 가까운 위치에서 운영 데이터를 집계하고, 군집 월드 메모리를 유지하며, 이벤트 분석, 검증 조정, 승인된 업데이트 재배포를 낮은 지연시간과 강력한 데이터 거버넌스(Data Governance) 아래 수행할 수 있다. 개인정보 보호, 보안 또는 가용성을 위해 운영 데이터를 시설 내부에 유지해야 하는 경우 로컬 컴퓨팅을 활용한 증분 학습(Incremental Training)이나 적응도 지원할 수 있다.

클라우드 인프라(Cloud Infrastructure)는 더 큰 계산 자원이나 사이트 간 집계(Cross-Site Aggregation)가 필요한 경우 온프레미스 학습을 보완할 수 있다. 대규모 모델 학습, 파운데이션 모델 적응(Foundation Model Adaptation), 시뮬레이션 캠페인, 이력 분석, 여러 시설에 걸친 지식 통합을 중앙에서 수행할 수 있다. 이후 검증된 지식은 개별 사이트로 다시 전달되고, 온프레미스 시스템은 이를 로컬 운영 조건과 군집 구성에 어떻게 통합할 것인지 결정할 수 있다.

학습(Learning)은 즉각적인 안전 권한(Immediate Safety Authority)과 분리되어야 한다. 새롭게 학습된 모델이 평균 성능을 개선하는 것으로 나타났다는 이유만으로 안전 제약을 자동으로 다시 정의해서는 안 된다. 런타임 보증(Runtime Assurance), 인증된 한계, 충돌 보호, 지오펜싱(Geofencing), 안정성 제약, 비상 행동은 독립적으로 강제되어야 한다. 학습된 정책은 충분한 검증을 통해 안전 아키텍처의 공식적인 변경이 정당화될 때까지 이러한 안전 경계 내부에서 동작해야 한다.

인간 전문성(Human Expertise)은 학습 프로세스 전반에서 여전히 중요하다. 운영자는 모호한 이벤트에 라벨을 부여하고, 개입 이유를 설명하며, 운영 우선순위를 식별하고, 허용 가능한 적응과 바람직하지 않은 행동을 구분할 수 있다. 엔지니어는 군집화된 장애를 분석하고 검증 요구사항을 정의할 수 있다. 따라서 인간 피드백(Human Feedback)은 자율 관측을 보완하는 또 하나의 구조화된 학습 신호가 되며, 센서 데이터만으로 운영적 의미를 신뢰성 있게 추론하기 어려운 상황에 대한 감독을 유지한다.

집단 학습 성능(Collective Learning Performance)은 단순한 학습 지표가 아니라 연속적인 군집 세대(Fleet Generation)에 걸쳐 실제 성능이 얼마나 개선되는지를 기준으로 평가해야 한다. 관련 지표에는 반복 장애 감소, 인간 개입 빈도 감소, 작업 완료율 향상, 인지 정확도 개선, 복구 시간 단축, 에너지 효율 증가, 불확실성 감소, 새로운 환경에 대한 적응 속도, 하나의 로봇이 학습한 교훈이 다른 로봇에 유용하게 전달되는 속도 등이 포함된다.

따라서 이 사례 연구(Case Study)는 물리적 운영을 군집 전체의 지능 개선과 연결하는 완전한 사이클을 보여준다. 분산된 로봇은 다양한 경험을 생성하고, 엣지 시스템은 가치 있는 이벤트를 식별하며, 군집 인프라는 데이터를 집계하고 검증한다. 이후 학습 시스템이 모델과 정책을 개선하고 통제된 배포를 통해 검증된 개선 사항을 적절한 로봇에 다시 전달한다. 이를 통해 경험은 일시적인 운영 기록에서 지속적이고 재사용 가능한 집단 지식(Persistent and Reusable Collective Knowledge)으로 전환된다.

이러한 사이클이 성숙하면 집단 학습(Collective Learning)은 단순한 주기적 모델 재학습을 넘어선다. 군집은 무엇이 성공하고 무엇이 실패하는지, 어떠한 조건에서 그러한 결과가 발생하는지, 어떤 적응이 측정 가능한 개선을 만들어내는지에 대한 점점 더 구조화된 메모리를 형성한다. 개별 로봇은 자율적인 체화 에이전트(Autonomous Embodied Agent)로 유지되지만 각 로봇의 경험은 공유 학습 프로세스에 기여하며, 이를 통해 전체 군집은 물리 세계에 대해 점진적으로 더 안전하고, 더 높은 능력을 가지며, 더 효율적이고, 더 잘 적응하는 집단 물리 지능(Collective Physical Intelligence)으로 발전한다.

10.11. Fleet World Memory Case Study

군집 월드 메모리(Fleet World Memory)는 현재 시점에서 개별 로봇이 관측할 수 있는 범위를 넘어 물리적 환경에 대한 지속적인 지식(Persistent Knowledge)을 로봇 군집에 제공한다. 모든 임무를 새로운 상황으로 취급하는 대신 군집은 관련된 공간적, 의미적, 운영적, 시간적 경험을 보존한다. 경로, 장애물, 위험 요소, 주행가능성, 자산, 작업 결과, 환경 변화는 미래의 로봇과 임무에서 재사용할 수 있는 지식으로 전환된다.

대표적인 사례는 여러 로봇이 창고, 공장, 캠퍼스, 물류 야드, 검사 현장 또는 실내외 혼합 환경에서 반복적으로 운영되는 상황에서 시작된다. 각 로봇은 임무를 수행하면서 물리 세계의 일부만 관측하지만 군집 전체는 훨씬 더 넓은 운영 공간을 경험한다. 군집 월드 메모리는 이러한 분산 관측(Distributed Observation)을 지속적인 표현(Persistent Representation)으로 통합하며 새로운 증거가 확보될 때마다 지속적으로 발전한다.

이러한 메모리는 기존의 정적 지도(Static Map)와 근본적으로 다르다. 기하학적 지도(Geometric Map)는 주로 공간 구조를 표현하지만 군집 월드 메모리는 어떤 물체가 존재하는지, 영역을 어떻게 사용할 수 있는지, 어떤 사건이 발생했는지, 어떤 경로가 성공했는지, 조건이 시간에 따라 어떻게 변화했는지도 기록한다. 기하학은 물리적 기반을 제공하고 의미적, 운영적, 시간적 계층은 이를 지능적인 군집 의사결정에 활용할 수 있는 지식으로 변환한다.

공간 메모리(Spatial Memory)는 지도, 랜드마크, 경로, 교차로, 도킹 위치, 충전 스테이션, 작업 영역, 제한 구역, 영역 간 연결 관계를 보존할 수 있다. 로봇은 이러한 정보를 위치추정과 계획에 활용하지만 군집은 정보의 신뢰도(Confidence)와 최신성(Freshness)도 함께 기록한다. 어제 관측된 경로가 기하학적으로는 유효하더라도 오늘은 공사, 적재된 자재, 임시 장벽 또는 변경된 교통 규칙으로 인해 운영상 사용할 수 없을 수 있다.

의미 메모리(Semantic Memory)는 물리적 위치를 의미 있는 개체와 속성에 연결한다. 특정 영역을 적재 구역, 보행자 구역, 검사 지점, 위험 위치, 엘리베이터 입구 또는 전달 스테이션으로 식별할 수 있다. 물체와 자산도 마찬가지로 식별 정보, 범주, 예상 위치, 상태, 관계를 유지할 수 있다. 이러한 의미 계층(Semantic Layer)을 통해 로봇은 단순히 점유 공간과 자유 공간이 어디에 있는지를 넘어 환경이 무엇을 의미하는지 추론할 수 있다.

운영 메모리(Operational Memory)는 특정 상황에서 로봇이 행동했을 때 실제로 어떤 일이 발생했는지를 기록한다. 성공적인 도킹 자세, 반복적인 내비게이션 지연, 어려운 회전 구간, 조작 구성, 충전 행동, 혼잡, 위치추정 문제, 인간 개입 등을 저장할 수 있다. 이러한 경험은 실제 운영 중 환경이 어떻게 작용하는지에 대한 실질적인 증거를 제공하며 미래 계획이 명목상의 기하학적 정보에만 의존하지 않고 과거의 실제 성능을 활용하도록 한다.

물리 세계는 변화하기 때문에 시간 메모리(Temporal Memory)가 필요하다. 따라서 관측 정보에는 타임스탬프(Timestamp), 유효 기간, 업데이트 이력, 필요한 경우 예상 지속성이 포함되어야 한다. 영구적인 벽은 일시적으로 주차된 팔레트와 다르게 처리해야 하며, 반복적으로 발생하는 혼잡 패턴은 일회성 장애물과 구분해야 한다. 시간적 추론(Temporal Reasoning)은 기억된 정보가 현재 임무에도 여전히 유효한지를 군집이 판단하도록 한다.

각 관측에는 출처 추적성(Provenance)과 신뢰도(Confidence)가 유지되어야 한다. 메모리는 어떤 로봇이 이벤트를 관측했는지, 어떤 센서 또는 모델이 해당 해석을 생성했는지, 언제 발생했는지, 추정 결과가 얼마나 신뢰할 수 있는지를 기록할 수 있다. 보정된 라이다(LiDAR), 불확실한 시각 탐지기, 운영자의 확인 또는 반복적인 관측에서 얻은 정보가 반드시 동일한 권한을 가질 필요는 없다. 출처 추적성을 통해 이후 상충하거나 오래된 증거를 합리적으로 판단할 수 있다.

따라서 메모리 업데이트(Memory Update)는 단순한 덮어쓰기가 아니라 증거 융합(Evidence Fusion)을 필요로 한다. 하나의 로봇이 통로가 차단되었다고 보고했지만 다른 로봇이 최근 해당 통로를 성공적으로 통과했다면 군집은 타임스탬프, 신뢰도, 로봇 크기, 이동 방향, 환경 컨텍스트를 고려해야 한다. 결과적으로 모든 관측을 하나의 이진 결론으로 강제하는 대신 불확실성 또는 체화 의존적 접근성(Embodiment-Dependent Accessibility)을 표현할 수 있다.

공유 주행가능성(Shared Traversability)은 가장 가치 있는 군집 경험 중 하나이다. 로봇은 지형 거칠기, 경사, 여유 공간, 표면 상태, 휠 슬립(Wheel Slip), 좁은 통로, 계단, 잔해 또는 물리적 이동에 영향을 주는 다른 요소들을 기록할 수 있다. 미래의 로봇은 해당 영역에 진입하기 전에 이러한 관측을 활용하여 불필요한 시행착오를 줄이고 이전 군집 구성원이 축적한 물리적 경험을 계획에 반영할 수 있다.

이기종 군집(Heterogeneous Fleet)에서는 주행가능성이 능력 인지형(Capability-Aware)으로 유지되어야 한다. 대형 AMR이 통과할 수 없는 통로도 소형 로봇은 접근할 수 있으며, 계단은 바퀴형 플랫폼에는 불가능하지만 4족 보행 로봇(Quadruped)이나 휴머노이드(Humanoid)는 통과할 수 있다. UAV는 완전히 다른 접근성 제약 아래에서 동작한다. 따라서 군집 월드 메모리는 하나의 보편적인 접근성 라벨 대신 환경 조건을 로봇의 체화와 능력에 연결한다.

메모리는 통신 경험(Communication Experience)도 보존할 수 있다. 무선 통신 음영 지역, 약한 연결성, 안정적인 중계 위치, 대역폭 제한, 반복적인 네트워크 단절 등이 운영 월드 모델(Operational World Model)의 일부가 될 수 있다. 이후의 임무에서는 통신 품질을 계획에 반영하여 불필요한 연결 단절을 피하거나 특정 로봇을 적절한 위치에 배치하여 고립된 에이전트와 군집 인프라 사이의 정보 흐름을 유지할 수 있다.

과거의 패턴이 충분히 일관되면 군집 월드 메모리는 예측 계획(Predictive Planning)을 지원할 수 있다. 적재 구역 주변에서 반복되는 혼잡, 특정 교대 시간에 발생하는 장애물, 충전 스테이션 수요 또는 예측 가능한 환경 변화는 미래 스케줄링에 영향을 줄 수 있다. 시스템은 단순히 과거에 무엇이 발생했는지를 기억하는 단계에서 앞으로 무엇이 발생할 가능성이 높은지를 추정하는 단계로 발전하여 예상 조건이 실제 로봇 운영에 영향을 주기 전에 군집 조정을 준비할 수 있다.

작업 실행 전에 메모리를 조회할 수 있다. 목적지를 할당받은 로봇은 알려진 경로, 최근의 위험 요소, 접근성 제약, 도킹 경험, 통신 상태, 관련 작업 이력을 검색할 수 있다. 이후 플래너(Planner)는 환경에 대해 아무런 정보가 없는 상태가 아니라 축적된 군집 지식을 기반으로 계획을 시작한다. 로컬 센싱(Local Sensing)은 여전히 필수적이지만 이전 경험은 더욱 정보화된 의사결정의 출발점을 제공한다.

작업 실행 중에는 로컬 인지(Local Perception)가 현재의 물리 세계와 기억된 예상 상태를 지속적으로 비교한다. 관측 결과가 기존 메모리와 일치하면 지속적인 지식에 대한 신뢰도가 증가할 수 있다. 반대로 중요한 차이가 발견되면 로봇은 메모리 업데이트 이벤트(Memory-Update Event)를 생성할 수 있다. 이를 통해 메모리가 로봇의 행동 위치와 방식을 안내하고 새로운 물리적 관측이 저장된 표현을 지속적으로 검증, 수정, 확장하는 폐쇄 루프(Closed Loop)가 형성된다.

따라서 변화 탐지(Change Detection)는 핵심 기능이다. 군집은 새롭게 차단된 경로, 이동된 자산, 변경된 작업공간, 변화된 지형, 손상된 인프라, 새로운 위험 요소 또는 다시 접근 가능해진 영역을 식별해야 한다. 중요한 변화는 영향을 받는 임무를 수행하는 로봇에 신속하게 전달할 수 있다. 긴급성이 낮은 정보는 이후에 동기화하여 운영 영향도에 따라 통신 자원을 우선적으로 사용할 수 있다.

모든 관측이 영구적인 메모리가 되어서는 안 된다. 일시적인 노이즈, 오탐지(False Detection), 위치추정 오류, 순간적인 이벤트를 필터링 없이 저장하면 잘못된 지식이 누적될 수 있다. 따라서 메모리 관리(Memory Management)에는 검증, 신뢰도 임계값, 반복 확인, 만료 정책(Expiration Policy), 망각 메커니즘(Forgetting Mechanism)이 필요하다. 지속적인 집단 지능은 유용한 정보를 기억하는 것뿐 아니라 더 이상 신뢰할 수 없거나 관련성이 없는 정보를 제거하는 능력에도 의존한다.

메모리는 세부 정보와 확장성(Scalability)의 균형을 위해 계층적으로 구성할 수 있다. 로봇은 즉각적인 내비게이션과 상호작용을 위해 고해상도 로컬 정보가 필요하지만 군집 조정에는 경로, 영역, 위험 요소, 자원, 작업 상태 등에 대한 더욱 추상적인 표현이 필요한 경우가 많다. 오래된 관측은 요약하면서 중요한 예외 사항은 상세하게 유지할 수도 있다. 계층형 메모리(Hierarchical Memory)는 무제한적인 원시 데이터 축적으로 인해 운영 추론이 과부하되는 것을 방지한다.

군집 월드 메모리와 집단 학습(Collective Learning)은 서로를 강화하지만 서로 다른 시간 규모(Time Scale)에서 동작한다. 메모리는 모델을 다시 학습하지 않고도 즉시 임무에 영향을 줄 수 있는 지식을 제공한다. 집단 학습은 축적된 경험을 분석하여 더 긴 주기에서 인지, 예측, 계획 또는 정책을 개선한다. 반복적인 경로 실패와 같은 메모리 이벤트는 학습 데이터가 될 수 있으며, 개선된 모델은 이후의 메모리 업데이트를 위한 더욱 정확한 해석을 생성할 수 있다.

아키텍처는 로봇, 온프레미스(On-Premise), 클라우드(Cloud) 계층에 메모리를 분산할 수 있다. 로봇은 즉각적인 자율성에 필요한 로컬 작업 메모리(Local Working Memory)와 캐시된 지식을 유지한다. 온프레미스 인프라는 권위 있는 사이트 수준 월드 상태(Authoritative Site-Level World State), 운영 이력, 공유 주행가능성, 군집 동기화를 관리할 수 있다. 클라우드 시스템은 장기 아카이브, 사이트 간 지식 집계, 이력 분석, 보다 광범위한 모델 학습을 지원할 수 있다.

동기화(Synchronization)는 간헐적인 연결성(Intermittent Connectivity)을 허용해야 한다. 오프라인으로 동작하는 로봇은 캐시된 월드 지식을 계속 사용하면서 새로운 관측을 로컬에 기록해야 한다. 통신이 복구되면 연결이 끊어진 동안 다른 로봇이 생성한 변경사항과 업데이트를 조정할 수 있다. 버전 관리, 타임스탬프, 신뢰도, 충돌 해결 메커니즘(Conflict-Resolution Mechanism)은 모든 로봇이 항상 동일한 실시간 메모리 상태를 가지고 있다고 가정하지 않고 분산된 이력을 병합하도록 지원한다.

안전 필수 지식(Safety-Critical Knowledge)은 특별하게 관리해야 한다. 확인된 위험 요소, 제한 구역, 구조적 위험, 안전하지 않은 지형 또는 비상 제약은 일반적인 운영 관측보다 더 빠르게 전파되고 더 강하게 유지되어야 할 수 있다. 그러나 기억된 정보가 즉각적인 안전 인지(Immediate Safety Perception)를 대체해서는 안 된다. 공유 메모리가 특정 경로가 이전에 안전했다고 나타내더라도 로컬 런타임 보증(Local Runtime Assurance)은 계속해서 충돌 회피와 물리적 한계를 강제해야 한다.

인간 운영자(Human Operator)는 위험 요소를 확인하고, 제한 구역을 정의하고, 의미 라벨(Semantic Label)을 수정하거나 운영 규칙을 지정함으로써 군집 메모리에 직접 기여할 수 있다. 또한 로봇이 특정 경로를 회피하거나 비정상적인 계획을 선택한 이유를 해당 의사결정의 기반이 된 기억된 증거를 통해 확인할 수 있다. 따라서 메모리는 기계 간 조정 메커니즘일 뿐 아니라 설명 가능한 군집 운영(Explainable Fleet Operation)과 인간 감독(Human Oversight)의 기반이 된다.

메모리 품질(Memory Quality)은 실제 운영 결과를 통해 평가할 수 있다. 유용한 지표에는 반복적인 내비게이션 장애 감소, 동일한 위험 요소의 재발견 감소, 경로 효율 향상, 인간 개입 빈도 감소, 환경 변화에 대한 적응 속도 향상, 작업 성공률 증가, 중복 탐색 감소 등이 포함된다. 또 다른 중요한 지표는 지식 재사용(Knowledge Reuse)으로, 하나의 로봇이 획득한 정보가 이후 다른 로봇의 의사결정을 실제로 개선할 수 있어야 한다.

따라서 이 사례 연구(Case Study)는 분산된 관측이 지속적인 집단 운영 지식(Persistent Collective Operational Knowledge)으로 전환되는 과정을 보여준다. 로봇은 물리 세계를 관측하고 중요한 이벤트에 컨텍스트를 부여하여 검증하며 공유 메모리를 갱신한다. 계획 과정에서는 관련 경험을 검색하고 실행 중에는 변화를 탐지하며 저장된 표현을 지속적으로 개선한다. 지식은 개별 임무와 개별 로봇의 수명을 넘어 유지되며 군집이 장기간 경험을 축적하는 지능형 시스템으로 발전하도록 한다.

군집 월드 메모리가 성숙하면 시스템은 공유 매핑(Shared Mapping)에서 지속적인 집단 물리 지능(Persistent Collective Physical Intelligence)으로 발전한다. 군집은 단순히 사물이 어디에 있는지를 기억하는 것이 아니라 그것이 무엇을 의미하는지, 어떻게 변화하는지, 어떤 로봇이 접근할 수 있는지, 이전에 무엇이 성공하거나 실패했는지, 그리고 해당 지식이 현재 얼마나 신뢰할 수 있는지를 기억한다. 모든 로봇은 자신의 경험을 제공하면서 동시에 다른 로봇의 경험으로부터 혜택을 얻으며, 분산된 물리적 운영은 지속적으로 진화하는 공유 이해(Continuously Evolving Shared Understanding)로 전환된다.

10.12. End to End Multi Robot Physical AI [w/Code]

엔드투엔드 다중 로봇 피지컬 AI(End-to-End Multi-Robot Physical AI)는 인지(Perception), 월드 모델링(World Modeling), 추론(Reasoning), 계획(Planning), 행동(Action), 군집 조정(Fleet Coordination), 메모리(Memory), 학습(Learning)을 하나의 연속적인 운영 시스템으로 통합한다. 개별 로봇은 자율적인 물리 에이전트(Autonomous Physical Agent)로 유지되지만 공유 표현(Shared Representation)과 집단 지능(Collective Intelligence)을 통해 서로의 능력이 연결된다. 목표는 단순히 여러 로봇을 조정하는 것이 아니라 분산된 센싱과 행동을 일관된 군집 수준 행동(Fleet-Level Behavior)으로 전환하는 것이다.

엔드투엔드 프로세스(End-to-End Process)는 로봇이 카메라, 라이다(LiDAR), 레이더(Radar), 깊이 센서(Depth Sensor), 고유수용감각(Proprioception), GNSS, IMU, 힘 센싱(Force Sensing) 및 기타 플랫폼 특화 모달리티를 통해 물리적 환경을 인지하면서 시작된다. 각 로봇은 원시 관측을 물체, 기하학, 움직임, 지형, 로봇 상태, 불확실성에 대한 로컬 표현으로 변환한다. 로컬 인지(Local Perception)는 즉각적인 상황 인식을 제공하면서 군집의 공유 이해(Shared Understanding)에 기여할 수 있는 정보를 생성한다.

위치추정 및 상태 추정(Localization and State Estimation)은 각 로봇이 환경 및 다른 에이전트에 대해 어디에 위치하고 어떻게 움직이는지를 결정한다. 서로 다른 로봇은 SLAM, GNSS, 시각 위치추정(Visual Localization), 라이다 위치추정(LiDAR Localization), 관성 추정(Inertial Estimation) 또는 이러한 방법의 조합을 사용할 수 있다. 결과적으로 생성되는 자세(Pose)와 신뢰도 추정은 내비게이션, 조작, 협업, 지도 정렬, 다수의 체화 플랫폼 사이의 관측 교환을 위한 공간적 기반을 제공한다.

로컬 월드 모델(Local World Model)은 인지 결과를 예측과 의사결정에 적합한 표현으로 변환한다. 로봇은 현재의 센서 측정값에만 반응하는 대신 물체, 에이전트, 자유 공간, 주행가능성(Traversability), 동역학(Dynamics), 예상되는 미래 상태에 대한 추정값을 유지한다. 이러한 모델을 통해 로봇은 행동 이후에 어떤 일이 발생할 수 있는지를 추론하여 시간에 따라 변화하는 환경에서 더욱 안전한 내비게이션, 조작, 검사, 상호작용을 수행할 수 있다.

군집 수준 월드 상태(Fleet-Level World State)는 여러 로봇의 관련 정보를 하나의 공통 운영 상황도(Common Operational Picture)로 통합한다. 로봇 위치, 작업, 자산, 위험 요소, 경로, 작업 스테이션, 제한 구역, 통신 상태, 자원 가용성, 임무 진행 상황 등을 함께 표현할 수 있다. 공유 상태(Shared State)는 로컬 인지를 대체하는 것이 아니라 다른 군집 구성원이 다른 위치에서 획득한 관측과 운영 지식을 통해 각 로봇의 상황 인식 범위를 확장한다.

의미 표현(Semantic Representation)은 물리적 관측을 임무의 의미와 연결한다. 특정 위치는 단순한 지도상의 좌표가 아니라 적재 구역, 검사 지점, 충전 스테이션, 제한 영역 또는 전달 구역으로 이해될 수 있다. 물체는 식별 정보, 범주, 상태, 소유권, 작업 관계를 가질 수 있다. 의미적 그라운딩(Semantic Grounding)은 센서, 이동성, 조작 방식, 제어 아키텍처가 서로 다른 이기종 로봇들이 공통적으로 이해할 수 있는 개념을 통해 협업하도록 한다.

임무 지능(Mission Intelligence)은 인간 또는 시스템이 정의한 목표를 실행 가능한 다중 로봇 워크플로(Multi-Robot Workflow)로 변환한다. 시설 검사, 자재 운송, 이상 상황 대응과 같은 상위 수준의 요청은 센싱, 내비게이션, 운송, 조작, 검증, 보고 등의 작업으로 분해할 수 있다. 이러한 작업 사이의 의존성(Task Dependency)에 따라 어떤 행동을 동시에 수행할 수 있는지, 어떤 행동이 다른 로봇의 작업 완료 또는 정보 확보 이후에 수행되어야 하는지가 결정된다.

능력 인지형 작업 할당(Capability-Aware Task Allocation)은 이러한 작업을 적절한 로봇과 연결한다. 군집은 이동성, 페이로드, 센서, 조작 능력, 도달 범위, 운용시간, 에너지 상태, 컴퓨팅 자원, 위치, 작업 부하, 안전 제약, 현재 건전성을 고려한다. AMR, 4족 보행 로봇(Quadruped), UAV, 휴머노이드(Humanoid), 모바일 매니퓰레이터(Mobile Manipulator)는 모든 로봇이 동등한 능력을 제공한다는 고정된 가정이 아니라 임무에서 물리적으로 요구하는 능력에 따라 선택된다.

일부 임무 요구사항은 하나의 로봇에 대한 작업 할당이 아니라 능력 조합(Capability Composition)을 요구한다. UAV가 정찰을 수행하고, AMR이 장비를 운송하며, 4족 보행 로봇이 험지를 통과하고, 매니퓰레이터가 표적과 물리적으로 상호작용할 수 있다. 군집 오케스트레이션(Fleet Orchestration)은 공유 작업 상태, 인계 조건, 시간 제약, 의미적 의도(Semantic Intent)를 통해 이러한 행동을 연결하여 관측에서 물리적 임무 완료까지 이어지는 엔드투엔드 워크플로를 구성한다.

계획(Planning)은 여러 수준에서 동시에 수행된다. 군집 계획(Fleet Planning)은 작업 순서, 로봇 할당, 공유 자원 사용, 교통 우선순위, 동기화를 결정한다. 로봇 수준 계획(Robot-Level Planning)은 경로, 궤적, 파지(Grasp), 발 디딤 위치(Foothold), 관측 위치, 즉각적인 행동을 결정한다. 이러한 계층들은 지속적으로 상호작용하며 군집 의사결정은 로컬 목표를 제약하고, 로컬 실행 가능성, 불확실성, 지연, 장애는 다시 상위 수준의 임무 계획 변경을 유발할 수 있다.

공유 의도(Shared Intent)를 통해 로봇은 저수준 상태만 교환하는 대신 자신이 무엇을 수행하려고 하는지를 전달할 수 있다. 메시지는 목적지, 표적, 준비 상태, 예상 도착시간, 작업 완료, 불확실성, 장애 또는 지원 요구사항을 표현할 수 있다. 의미 기반 통신(Semantic Communication)은 불필요한 대역폭 사용을 감소시키고 내부 제어기와 행동 공간이 근본적으로 다른 이기종 체화(Embodiment) 사이에 공통적인 조정 인터페이스를 제공한다.

현실 세계의 제어에는 낮은 지연시간과 플랫폼별 안전 기능이 필요하기 때문에 물리적 실행(Physical Execution)은 분산된 상태로 유지된다. 각 로봇은 이동, 내비게이션, 조작, 안정화, 장애물 회피, 비상 대응을 로컬에서 실행한다. 군집 지능은 목표와 조정 제약을 제공하지만 고주파 제어(High-Frequency Control)를 직접 대체하지 않는다. 이러한 분리를 통해 로컬 자율 행동이 전역적으로 조정된 임무에 기여하면서도 즉각적인 반응성을 유지할 수 있다.

런타임 보증(Runtime Assurance)은 실행 과정 전체에서 시스템을 보호한다. 충돌 회피, 속도 제약, 지오펜싱(Geofencing), 안정성 한계, 조작 작업공간 제약, 페이로드 안전, 비상 정지 및 기타 플랫폼 특화 보호 기능은 독립적으로 강제된다. 집단 최적화(Collective Optimization)는 이러한 안전 범위(Safety Envelope) 내부에서 수행된다. 우선순위가 높은 군집 목표라 하더라도 개별 로봇이나 공유 운영 환경에 설정된 엄격한 물리적 제약을 위반할 수 없다.

물리적 실행은 지속적으로 피드백(Feedback)을 생성한다. 로봇은 진행 상태, 관측 결과, 예상 완료시간, 에너지 소비, 불확실성, 예상하지 못한 장애물, 장애, 작업 결과를 보고한다. 군집 지능은 이러한 신호를 예상된 임무 상태와 비교한다. 실행 결과가 계획과 크게 다르면 시스템은 월드 상태를 갱신하고 로컬 복구(Local Recovery), 작업 재할당, 경로 수정 또는 전체 임무 재계획 중 무엇이 필요한지를 결정할 수 있다.

동적 재계획(Dynamic Replanning)은 변화하는 조건에서도 엔드투엔드 시스템이 효과적으로 동작하도록 한다. 차단된 경로, 사용할 수 없는 작업 스테이션, 센서 장애, 배터리 부족, 통신 단절, 지연된 조작 또는 새롭게 발견된 위험 요소는 기존의 가정을 무효화할 수 있다. 전체 워크플로를 종료하는 대신 군집은 영향을 받은 작업과 의존성을 수정하면서 안전하고 운영적으로 가능한 범위에서 원래의 임무 목표를 유지한다.

군집 월드 메모리(Fleet World Memory)는 이러한 프로세스에 시간적 연속성(Temporal Continuity)을 제공한다. 성공적인 경로, 위험 요소, 도킹 구성, 조작 결과, 어려운 지형, 통신 음영 지역, 자원 사용, 장애, 복구 행동을 현재 임무 이후에도 유지할 수 있다. 새로운 로봇은 행동하기 전에 관련 경험을 검색하고 현재 관측을 통해 기억된 지식을 검증하거나 갱신한다. 따라서 군집은 미래 임무를 빈 상태에서 시작하는 것이 아니라 축적된 운영 경험을 기반으로 시작한다.

집단 학습(Collective Learning)은 지속적인 메모리를 모델과 정책의 개선으로 확장한다. 장애, 불확실성, 인간 개입, 비정상적인 환경 조건, 성공적인 복구와 같은 가치 있는 이벤트를 여러 로봇에서 수집한다. 이러한 에피소드는 인지, 예측, 주행가능성 추정, 작업 할당, 계획, 복구 행동을 개선할 수 있다. 하나의 로봇이 획득한 경험은 검증과 통제된 재배포 과정을 거쳐 궁극적으로 다수의 다른 에이전트를 개선할 수 있다.

군집 데이터 플라이휠(Fleet Data Flywheel)은 물리적 운영을 지속적인 지능 개선과 연결한다. 실제 배치가 경험을 생성하고, 관련 에피소드를 선택하며, 데이터를 검증하고 구조화한 후 모델 또는 정책을 개선한다. 후보 업데이트를 평가하고 승인된 버전을 적절한 로봇에 다시 배포한다. 이후 운영은 이러한 개선의 효과에 대한 새로운 증거를 생성하여 물리적 군집과 지속적으로 발전하는 지능 사이에 폐쇄형 학습 사이클(Closed Learning Cycle)을 형성한다.

이기종 군집(Heterogeneous Fleet)에서는 학습과 메모리 역시 능력 인지형(Capability-Aware)으로 유지되어야 한다. 위험 요소, 물체, 환경 변화, 임무 결과, 공간 관계에 대한 지식은 광범위하게 공유할 수 있지만 이동 또는 조작 정책은 체화 특화(Embodiment-Specific) 형태로 유지된다. 따라서 시스템은 서로 호환되지 않는 신체나 행동 공간을 가진 로봇 사이에서 물리적 기술을 직접 교환할 수 있다고 가정하지 않고 가장 유용한 상위 추상화 수준에서 지식을 전달한다.

컴퓨팅 아키텍처(Computing Architecture)는 이러한 지능을 엣지(Edge), 온프레미스(On-Premise), 클라우드(Cloud) 계층에 분산한다. 로봇 엣지 컴퓨팅(Robot Edge Computing)은 즉각적인 인지, 위치추정, 계획, 제어, 안전을 지원한다. 온프레미스 지능(On-Premise Intelligence)은 공유 월드 상태, 군집 오케스트레이션, 월드 메모리, 자원 조정, 모니터링, 로컬 학습을 관리한다. 클라우드 인프라(Cloud Infrastructure)는 대규모 학습, 시뮬레이션, 이력 분석, 사이트 간 지식 집계, 파운데이션 수준 지능(Foundation-Level Intelligence)을 지원할 수 있다.

이러한 계층형 아키텍처(Layered Architecture)는 서로 다른 지능의 시간 규모(Time Scale)도 분리한다. 밀리초 수준의 제어는 액추에이터 가까이에서 유지되고, 단기적인 인지와 계획은 온보드에서 수행되며, 군집 조정은 운영 시간 규모에서 이루어진다. 집단 학습은 수 시간, 수일 또는 여러 배치에 걸쳐 진행될 수 있다. 모든 의사결정을 중앙 시스템을 거치게 하지 않고 계층 사이에서 정보를 교환함으로써 즉각적인 반응성과 전역적 조정을 동시에 유지한다.

인간 운영자(Human Operator)는 엔드투엔드 지능 루프(End-to-End Intelligence Loop)의 일부로 유지된다. 인간은 임무 목표, 운영 경계, 우선순위, 안전 정책을 설정하면서 예외 상황과 불확실한 상황을 감독한다. 인간의 수정, 승인, 개입은 군집 월드 메모리와 집단 학습을 위한 구조화된 정보가 될 수 있다. 목표는 지속적인 원격조종이 아니라 일상적인 조정은 자율화하면서 중요한 의사결정에 대한 인간의 권한을 유지하는 임무 수준 감독(Mission-Level Oversight)이다.

이러한 복잡한 시스템을 관리하려면 관측 가능성(Observability)과 설명 가능성(Explainability)이 필요하다. 운영자와 엔지니어는 어떤 로봇이 작업을 수행했는지, 왜 해당 로봇이 선택되었는지, 어떤 정보가 계획에 영향을 미쳤는지, 어떤 모델 버전이 활성화되어 있었는지, 어떤 장애가 발생했는지, 군집이 어떻게 대응했는지를 확인할 수 있어야 한다. 추적 가능한 의사결정, 모델 출처 추적성(Model Provenance), 작업 이력, 메모리 증거는 디버깅, 안전 분석, 거버넌스, 지속적인 시스템 개선을 지원한다.

성능(Performance)은 개별 모델의 정확도가 아니라 전체 물리 지능 루프(Physical Intelligence Loop)를 기준으로 평가해야 한다. 임무 완료율, 사이클 타임(Cycle Time), 활용률, 에너지 효율, 커버리지, 인계 성공률, 작업 대기시간, 인간 개입 빈도, 복구 성능, 안전 이벤트, 통신 효율, 지식 재사용(Knowledge Reuse), 로봇 손실에 대한 복원력을 종합적으로 평가해야 집단 지능이 측정 가능한 운영 가치를 만들어내는지를 판단할 수 있다.

전체 아키텍처는 인지, 이해, 예측, 계획, 조정, 행동, 피드백, 메모리, 학습으로 이어지는 폐쇄 루프(Closed Loop)를 형성한다. 로봇은 로컬에서 인지하고 행동하며 군집 지능은 공유 목표와 자원을 조정한다. 운영 경험은 월드 메모리를 갱신하고 축적된 경험은 미래의 모델과 정책을 개선한다. 따라서 완료된 각각의 임무는 하나의 물리적 결과인 동시에 이후의 임무를 위한 새로운 지식의 원천이 된다.

결과적으로 엔드투엔드 다중 로봇 피지컬 AI(End-to-End Multi-Robot Physical AI)는 자율 로봇 위에 단순한 군집 관리 시스템을 추가한 구조 이상의 의미를 가진다. 체화 지능(Embodied Intelligence), 군집 지능(Fleet Intelligence), 지속적인 월드 메모리(Persistent World Memory), 의미 기반 통신, 런타임 보증, 집단 학습이 함께 동작하는 통합 아키텍처이다. 시스템은 각 로봇의 고유한 능력과 안전 요구사항을 유지하면서 개별 물리 자율성을 공유 운영 추론(Shared Operational Reasoning)과 연결한다.

아키텍처가 성숙함에 따라 군집은 조정된 자동화(Coordinated Automation)에서 적응형 집단 물리 지능(Adaptive Collective Physical Intelligence)으로 발전할 수 있다. 로봇들은 환경을 집단적으로 인지하고, 공유된 이해를 유지하며, 상호 보완적인 능력을 조합하고, 행동의 결과를 예측하며, 작업을 재구성하고, 경험을 기억하며, 결과로부터 학습한다. 지능은 더 이상 하나의 로봇이나 하나의 모델에 국한되지 않고 다수의 체화 에이전트, 공유 메모리, 학습 인프라, 물리 세계 사이의 지속적인 상호작용을 통해 형성된다.


저자: Richard Minsoo Go

LinkedIn: Richard Minsoo Go

Top comments (0)