[AI 로보틱스 필드노트 (1)] 로봇 자동화의 난이도는 로봇 사양이 정하지 않습니다

로봇 자동화 미팅에서 저희가 가장 먼저 확인하는 것은 로봇 사양이 아니라 작업의 성격입니다. 대상물이 매번 같은 자리에 오는지, 위치가 달라지는지, 닿아 보기 전에는 알 수 없는지를 묻습니다.

같은 질문을 반복하는 이유가 있습니다. 세 경우의 난이도 차이가 로봇 사양의 차이보다 훨씬 크기 때문입니다. 가반하중과 반복 정밀도가 같은 로봇이라도, 어느 쪽 작업에 붙느냐에 따라 셋업 기간과 필요한 기술 스택이 전부 달라집니다.

1단계: 작업물도 경로도 매번 같습니다

첫 단계는 고정형·티칭 기반 자동화입니다. 작업 환경과 대상물이 항상 같은 위치에 있다는 전제 위에서 돌아갑니다. 엔지니어가 좌표를 하나씩 가르쳐 두면 로봇은 그 경로를 반복합니다. 차체 스폿 용접, 부품 이송과 적재, 정해진 경로를 훑는 도장이 여기 속합니다.

이 단계에서 실력이 갈리는 지점은 로봇이 아니라 지그와 펜스, 즉 기구 설계입니다. 로봇을 똑똑하게 만드는 대신 환경을 완벽하게 통제하는 방식입니다. 환경이 흔들리면 그만큼 성능도 흔들립니다.

2단계: 위치가 달라져도 보고 맞춥니다

두 번째 단계인 비전 인지 기반 자동화에서 그 전제가 깨집니다. 카메라가 붙으면서 대상물이 늘 같은 자리에 있지 않아도 되기 때문입니다.

무작위로 쌓인 부품을 집어내는 빈 피킹이 대표 사례로 자주 언급되지만, 이 단계는 집는 일에 한정되지 않습니다. 용접선을 찾아 경로를 보정하고, 실런트 도포 궤적을 대상 형상에 맞추고, 외관을 검사하는 작업이 모두 여기 있습니다.

인식 정확도가 출발점입니다. 좌표가 몇 밀리미터씩 흔들리면 뒤에 무엇을 붙여도 소용이 없습니다. 그리고 이 정확도는 알고리즘보다 광학계 선정에서 상당 부분 결정됩니다. 반사가 강한 금속은 패턴이 튀어 포인트 클라우드가 비고, 팔레트 전체를 담으려 시야를 넓히면 분해능이 떨어집니다. 대상 재질과 요구 정밀도, 사이클 타임을 놓고 방식을 고르는 일이 먼저입니다.

인식이 맞아도 그 좌표로 로봇이 갈 수 있느냐는 별개입니다. 파지 자세는 나왔는데 그리퍼가 빈 벽면에 닿거나, 가는 길에 지그와 간섭이 생깁니다. 해가 존재하는 것과 로봇이 도달할 수 있는 해가 존재하는 것은 다릅니다. 결국 인식과 경로 생성, 충돌 검사를 맞물려서 결과를 내야 합니다.

3단계: 대상이 매번 다르게 반응합니다

세 번째 단계는 적응형·고난도 자동화입니다. 섬세한 힘 조절이 필요하거나, 대상물이 유연하거나, 작업 도중 실시간 보정이 필요한 영역입니다. F/T 센서 제어와 컴플라이언스 제어, 실시간 궤적 보정이 기반이고 최근에는 모방학습과 강화학습이 얹히고 있습니다.

연마와 디버링, 커넥터와 케이블 삽입이 대표적입니다. 공통점은 눈으로 보는 것만으로는 부족하다는 점입니다. 연마는 공구가 표면에 닿는 순간의 반력을 읽어야 하고, 커넥터 삽입은 걸림을 감지해 자세를 미세하게 틀어야 합니다.

대상체가 변형되는지도 같은 무게의 변수입니다. 케이블과 와이어링 하네스, 튜브, 얇은 판재, 실링재는 잡는 순간 형상이 바뀝니다. 비전으로 읽은 형상은 그리퍼가 닿기 전까지만 유효하고, 티칭해 둔 좌표는 두 번째 개체부터 맞지 않습니다. 강체라면 위치와 자세 여섯 개로 끝나는 상태 표현이 여기서는 사실상 열려 있습니다. 그래서 한 번 보고 실행하는 방식이 아니라, 보면서 힘을 읽고 그때그때 고쳐 가는 방식이 필요합니다.

앞 단계까지는 작업을 시작하기 전에 계획을 세울 수 있습니다. 이 단계부터는 그렇지 않습니다. 계획은 닿는 순간부터 수정 대상이 됩니다.

4단계: 처음 보는 상황이 섞여 들어옵니다

마지막은 자율 학습형 자동화입니다. 엔드투엔드 파운데이션 모델을 기반으로, 명시적인 코딩 없이 데이터로 숙련공의 움직임을 배우고 처음 보는 물체에도 추론으로 대응합니다. 이 모델을 학습시키는 재료는 결국 세 번째 단계의 현장에서 나옵니다. 접촉 작업에서 쌓이는 힘·토크 데이터와 공정 파라미터가 그것입니다.

앞의 세 단계가 하나의 작업을 얼마나 잘 해내느냐의 문제였다면, 이 단계는 하나의 시스템이 몇 가지 작업까지 감당하느냐의 문제입니다. 품종이 바뀔 때마다 티칭을 다시 하지 않고, 조립과 검사와 이송을 같은 로봇이 이어서 수행하는 그림입니다. 다품종 소량 라인, 조리와 정리 같은 집안일, 시약을 옮기고 장비를 조작하는 자율 실험실이 자주 거론되는 대상입니다. 공통점은 해야 할 일의 목록을 미리 다 적어 둘 수 없다는 점입니다.

휴머노이드가 이 단계와 함께 언급되는 이유도 여기 있습니다. 사람이 쓰던 공간과 도구를 그대로 쓰려면 형상을 사람에 맞추는 편이 유리하기 때문입니다. 다만 형상과 지능은 별개입니다. 팔이 둘이고 다리가 있어도 작업을 스스로 나누고 실패를 복구하지 못하면 두번째 단계의 로봇과 다르지 않습니다. 반대로 다관절 로봇 한 대라도 그 판단이 가능하면 이 단계에 속합니다.

이 지점에서 로봇은 기계보다 피지컬 AI 에이전트에 가까워집니다. 목표를 받아 절차를 스스로 짜고, 도구를 고르고, 실패하면 다른 방법으로 다시 시도합니다. 아직은 대부분 연구실과 데모 영상 안에 있습니다.

정리

로봇 자동화를 나누는 기준은 로봇 사양이 아니라 작업이 허용하는 불확실성의 크기입니다. 작업물과 경로가 매번 같으면 첫 번째 단계이고, 위치가 달라져도 보고 맞출 수 있으면 두 번째, 닿아 봐야 알 수 있으면 세 번째, 해야 할 일의 목록을 미리 적어 둘 수 없으면 네 번째입니다.

그래서 자동화 검토는 로봇 선정이 아니라 작업 분석에서 시작해야 합니다. 검토 중인 공정이 있다면 네 가지를 먼저 확인해 보시기 바랍니다.

• 대상물의 위치와 자세가 매번 같습니까?

• 달라진다면, 보는 것으로 충분합니까?

• 대상이 잡는 순간 변형됩니까?

• 작업 과정에서 힘 조절이 필요합니까?

앞의 두 질문에서 끝나는 공정은 검증된 방법이 이미 많습니다. 뒤의 두 질문에 하나라도 해당한다면 필요한 기술 스택과 셋업 방식이 완전히 달라집니다.