초청강연

Physical AI는 로봇과 인공지능을 결합해 현실 세계에서 지능적으로 행동하는 시스템을 지향하지만, 수많은 연구와 데모에도 불구하고 실제 환경에서 반복 실행 가능하고 확장 가능한 사례는 제한적이다. 이번 발표에서는 그 원인을 AI 알고리즘의 한계가 아닌, Physical AI가 작동해야 할 물리적 실행 구조에 대한 준비 부족에서 찾고, Physical AI를 ‘학습 문제’가 아닌 ‘실행 구조의 문제’로 재정의한다. 특히 시뮬레이션이나 가상 환경에서 생성된 데이터, 비전문가에 의해 만들어진 데이터로는 전문가 수준의 동작을 수행하는 로봇이 탄생하기 어렵다는 점을 물리적 관점에서 분석하며, 의미 있는 데이터는 반드시 실제 현장에서 전문가의 행동을 방해하지 않을 만큼 물리적으로 투명한 로봇 시스템 위에서 생성되어야 함을 강조한다. 이러한 관점에서 Physical AI의 상용화 전략은 더 많은 데이터를 모으거나 AI 모델을 고도화하는 데 있지 않고, 구동기·제어·동역학을 포함한 물리 시스템을 어떻게 정리하고 표준화하여 데이터 효율과 실행 안정성을 동시에 확보할 것인가에 달려 있으며, 이번 초청강연에서는 Physical AI가 데모 중심의 담론을 넘어 실제 산업과 서비스 영역으로 확장되기 위한 실행 중심의 상용화 성공 전략을 제시한다.

조선, 건설 등 중공업 현장은 고온, 고소, 밀폐 공간 등 극한 환경으로 인해 숙련 인력 확보가 어렵고, 기존 로봇 시스템의 접근에도 한계가 있습니다. 이번 강연에서는 이러한 산업 현장의 문제를 해결하기 위해 개발한 Physical AI 기반 자율 보행 로봇 플랫폼을 소개합니다. 첫째, on/off 스위칭 순간에만 전력을 소모하는 영구전자석 기반 자석발 기술을 적용한 사족보행 로봇 DIDEN Spider가 수직 벽면과 천장을 포함한 3차원 철골 구조물 위에서 용접 등 실작업을 수행하는 기술을 다룹니다. 둘째, 인간 작업자를 대체하여 복잡한 산업 환경에서 다양한 작업을 수행할 수 있는 이족보행 로봇 DIDEN Walker의 개발 현황과 비전을 공유합니다. 강화학습 기반 보행 제어, 거친 지형에서의 경로 계획, 그리고 시뮬레이션에서 실제 환경으로의 전이(Sim-to-Real) 과정에서 얻은 핵심 인사이트와 교훈을 함께 나누고자 합니다.

인공지능 분야의 괄목할 만한 진보에도 불구하고, 완전한 자율주행 시스템을 실현하는 데 있어 중대한 도전 과제들이 여전히 산재해 있다. 현재의 자율주행 아키텍처는 다음과 같은 핵심적 한계로 인해 실제 환경 조건에서 신뢰성 있는 확장성을 확보하는 데 어려움을 겪고 있다. (1) 강건성(Robustness): 인지 및 제어 모델은 분포 편이(distributional shifts) 및 동적 불확실성에 취약한 상태로 남아 있다. 비전 기반 정책은 열악한 조명, 복잡한 장면 또는 희귀 환경 조건에서 성능이 저하되는 경우가 빈번하다. (2) 일반화 가능성(Generalizability): 제한된 맥락에서 학습된 정책은 서로 다른 지리적, 기상 또는 교통 환경으로 전이되지 못하는 경우가 많으며, 이는 배포 확장성을 저해한다. (3) 해석 가능성(Interpretability): 심층 신경망(DNN)은 높은 성능을 발휘하지만 투명성이 제한된 블랙박스로 작동하므로, 검증 및 디버깅, 신뢰 구축에 어려움을 초래한다. (4) 의미론적 계획 수립(Semantic planning): 현행 시스템은 추상적인 인간 수준의 목표를 일관성 있고 맥락에 민감한 일련의 행동으로 변환하는 능력이 부족하다. 또한 작업 구성성(task compositionality)을 간과하거나 실제 시나리오에서의 목표 분해(goal decomposition)에 어려움을 겪는 경우가 많다.
기존의 연구들은 주로 종단간(end-to-end) 심층학습이나 수작업으로 설계된 파이프라인에 의존해 왔는데, 이는 모듈성과 해석 가능성을 제한하는 중요 요인이 되어왔다. 제안된 이중 프로세스 (Dual Process) 인지 구조는 심층 능동 추론(deep active inference), 강화 학습, 그리고 다형식 하위 목표 추론(multimodal subgoal reasoning)을 결합한 구조를 통해 이러한 기술적 장벽을 해결하고자 한다.

Physical AI는 로봇과 기계 시스템이 물리적 세계와 상호작용하며 학습·적응·의사결정을 수행하는 새로운 패러다임으로, 그 구현을 위해서는 신뢰할 수 있고 물리적으로 정확한 시뮬레이션 기술이 필수적으로 요구된다. 특히 실제 시스템의 변형, 접촉, 충돌, 비선형 거동을 정밀하게 표현할 수 있는 유연 다물체 동역학(Multi-Flexible-Body Dynamics, MFBD)은 Digital Twin 및 Physical AI 구현을 위한 핵심 기반 기술로 주목받고 있다.
본 강연에서는 기존 실시간 물리엔진 중심의 로봇 학습 접근 방식이 가지는 한계를 짚어보고, 고정밀 유연 다물체 동역학 해석이 로봇 학습, 장주기 시뮬레이션, 안정적인 환경 시뮬레이션 반복 실행에서 제공할 수 있는 차별적 가치를 논의한다. 아울러 높은 계산 비용과 실시간성 제약이라는 현실적 한계를 극복하기 위한 데이터 기반 해석 기법, 저차(축소) 모델, AI 연계 시뮬레이션 프레임워크의 가능성을 함께 살펴본다. 이를 통해 Physical AI 시대에 유연 다물체 동역학 소프트웨어가 수행해야 할 역할과 기술적 진화 방향을 제시하고자 한다.