뉴로메카가 27일 서울 코엑스에서 개막한 ‘자율제조AI 월드쇼’에서 인공지능(AI)을 로봇에 결합한 ‘피지컬 AI’ 전략을 공개하고, 제조 자동화의 방향을 제시했다. 단순 반복 작업 중심의 기존 로봇에서 나아가, 인식과 판단을 넘어 실제 작업 수행까지 연결되는 방향으로 기술이 확장되고 있다는 설명이다.

◆ 인식 넘어 ‘실행’까지…로봇 역할 확장

기존 산업용 로봇은 사전에 설정된 동작을 반복 수행하는 방식이 일반적이다. 그러나 최근에는 비전과 언어를 결합한 AI 기술이 발전하면서, 로봇이 주변 환경을 인식하고 실제 작업 수행까지 이어지는 방향으로 진화하고 있다.

뉴로메카 허영진 미래핵심연구부문장은 이날 발표에서 로봇이 ‘행동 단위(Action)–재사용 가능한 스킬(Skill)–최종 작업(Task)’으로 이어지는 계층 구조를 기반으로 동작하는 방식을 설명했다. 이는 단순 경로 계획을 넘어, 물체를 집고 옮기는 등 실행 단계까지 이어지는 구조다.

또 문장 단위 의미를 반영하는 인식 방식과 함께, 물체의 특성에 따라 동작을 조정하는 ‘어포던스(affordance)’ 개념도 적용됐다. 예를 들어 깨지기 쉬운 물체는 그립 힘을 줄이고, 액체가 담긴 용기는 기울기를 제한하는 식으로 작업 방식이 달라진다.

◆ 데이터·현장 적용 한계…“범용 AI는 아직 제약”

다만 AI 기반 로봇 자동화는 데이터 확보와 현장 적용 측면에서 여전히 제약이 크다는 지적이다.

자율주행과 달리 로봇은 작업 데이터 수집 과정에서 사람의 개입이 필요해 비용과 시간이 많이 소요된다. 작업 종류 역시 공정과 부품, 환경에 따라 다양하게 나뉘기 때문에 학습 난이도도 높다.

또 자율주행이 ‘주행’이라는 비교적 단일한 목표를 갖는 반면, 로봇은 조립, 이송, 검사 등 작업마다 서로 다른 목표를 가진다. 제어 측면에서도 자동차는 핸들·가속·제동 등 비교적 제한된 입력을 다루지만, 로봇은 다관절 움직임과 접촉, 힘 조절 등 훨씬 높은 차원의 제어가 요구된다.

데이터 수집 방식에서도 차이가 있다. 자율주행은 주행 중 데이터를 자동으로 축적할 수 있지만, 로봇은 텔레오퍼레이션이나 수작업을 통해 데이터를 확보해야 하는 경우가 많아 효율성이 떨어진다.

이 때문에 다양한 산업 환경을 포괄하는 대규모 데이터를 기반으로 한 엔드 투 엔드(End-to-End) 학습 방식은 현장 적용 측면에서 제약이 있다는 설명이다.

◆ “대형 VLM·스킬 구조”…현장 적용 중심 접근

뉴로메카는 이러한 한계를 보완하기 위한 방향으로, 기능이 구분된 구조를 제시했다.

뉴로메카는 약 340억(34B) 파라미터 규모의 비전·언어 모델(VLM)을 기반으로, 인식(perception), 정책(policy), 즉각적인 반응(reflex) 등을 분리한 구조를 제시했다.

작업은 ‘스킬’ 단위로 구성돼 조합 형태로 실행되며, 이를 통해 다양한 작업에 대응하는 구조다.

또한 텔레오퍼레이션 기반 데이터 수집 의존도를 줄이는 ‘제로샷 지향’ 실행 구조를 포함해 현장 적용성을 높이는 방향을 제시했다.

또 작업 과정에서 발생하는 오류를 감지하고 대응하는 기능을 통해, 물체를 놓치거나 작업이 실패할 경우 경로를 수정하거나 작업을 다시 수행할 수 있도록 설계됐다.

허 부문장은 “검증된 기술과 AI를 결합해 실제 현장에서 적용 가능한 자동화 수준을 구현하는 것이 목표”라며 “올해를 기점으로 다양한 산업 분야에서 실증을 확대해 나갈 계획”이라고 말했다.