[AAAI 2026] 산업 자동화를 위한 다중 로봇 시뮬레이션 및 제어 기술 연구

최근 Physical AI에 대한 관심이 높아지고 있는 가운데, 스마트 물류와 스마트 팩토리는 이제 비즈니스의 핵심적인 현실로 자리 잡고 있습니다. 글로벌 빅테크 기업 아마존(Amazon)은 전 세계 수백 개 물류센터에서 백만 대 이상의 자율 로봇을 운영하고 있으며, 이러한 대규모 로봇 군집(fleet)의 효율적인 협력은 현대 산업 자동화의 핵심 과제로 부상했습니다. 그런데 실제 시설을 구축하거나 변경하는 것은 큰 비용이 드는 일이기 때문에, 그 전에 다양한 레이아웃과 제어 전략을 테스트하는 시뮬레이션 기반 검증은 매우 중요한 역할을 합니다. 그러나 기존 시뮬레이션 플랫폼들은 강력한 기능을 제공하지만, 복잡한 설정과 긴 준비 시간으로 인해 빠른 의사결정이 필요한 현장에서는 활용이 어려웠습니다.

LG AI연구원은 이러한 문제를 해결하기 위해 RAPID 플랫폼을 개발하고, 관련 내용으로 AAAI 2026 Demonstration Program에서 “RAPID: A Rapid Prototyping Platform for Industrial Automation”^[1] 이라는 논문을 발표했습니다. AAAI(Association for the Advancement of Artificial Intelligence)는 1979년 설립된 세계 최고 권위의 인공지능 학회로, 매년 전 세계 AI 연구자들이 모여 최신 연구 성과를 공유합니다. 올해 AAAI 2026은 1월 20일부터 27일까지 싱가포르에서 개최되었으며, 역대 최다인 23,680건의 논문이 제출되어 17.6%의 채택률을 기록했습니다. Demonstration Program은 실제 작동하는 시스템을 시연하는 프로그램으로, 연구의 실용성과 완성도를 인정받아야 선정될 수 있어 그 의의가 큽니다.

이미지 1. RAPID를 활용한 로봇 군집 제어 예시^[1]

산업 자동화를 위한 빠른 프로토타이핑의 필요성

LG AI연구원은 LG 계열사의 다양한 산업 현장과 협력하며 AI 기술의 실질적 적용 방안을 연구해왔습니다. 이 과정에서 우리는 반복적으로 마주하는 한 가지 문제를 발견했습니다. 예를 들어 공장 관리자가 "로봇을 5대 더 추가하면 처리량이 얼마나 증가할까?", "선반 배치를 바꾸면 병목이 해소될까?"와 같은 단순한 질문에 답하기 위해, 기존 시뮬레이션 플랫폼으로는 수 주에서 수개월의 시간이 필요하다는 점이었습니다. 현재 산업용 시뮬레이션 분야의 대표적인 플랫폼 AnyLogic^[2]이나 NVIDIA Omniverse^[3]는 정교한 물리 시뮬레이션과 사실적인 시각화를 제공합니다. 그러나 이러한 정교함은 높은 기술적 전문성, 상당한 컴퓨팅 자원, 그리고 긴 설정 시간을 요구합니다. 복잡한 기능과 높은 완성도(fidelity)를 추구하다 보니, 정작 빠른 프로토타이핑이라는 실무적 요구를 충족하지 못하는 상황이 발생한 것입니다.

한편, 학계에서는 다중 에이전트 강화학습(Multi-Agent Reinforcement Learning, MARL) 연구가 빠르게 발전하고 있습니다. 물류 창고의 로봇 군집 제어, 자율주행 차량의 협력, 게임 AI 등 다양한 분야에서 MARL 알고리즘이 성과를 보입니다. 그러나 연구자들이 자신의 알고리즘을 테스트할 때 각자 다른 환경을 사용하기 때문에 결과 비교가 어렵고, 산업 현장의 실제 문제를 반영한 표준화된 벤치마크 환경이 부족한 상황이었습니다. RAPID는 이 두 가지 문제, 즉 현업의 빠른 검증 요구와 연구의 표준화 요구를 동시에 해결하기 위해 탄생했습니다.

LG AI연구원의 RAPID 플랫폼^[1]

RAPID의 핵심 철학은 사용자가 간편하고 빠르게 실무 환경을 설계(Design)하고, 쉽게 다양한 AI 기반 제어 전략으로 분석(Analysis)할 수 있는 경험을 제공하는 것입니다. 이러한 철학은 ‘Environment Builder’와 ‘Simulation Dashboard’, 두 가지 핵심 뷰(view)로 구현됩니다. RAPID는 표준화된 인터페이스를 통해 이 둘을 독립적으로 관리할 수 있게 함으로써, 같은 레이아웃에 다양한 AI 모델을 손쉽게 적용하거나, 같은 AI 모델을 다양한 레이아웃에서 테스트할 수 있습니다.

Environment Builder는 물류 창고, 공장 등 실무 환경 레이아웃을 직관적으로 설계할 수 있는 시각적 편집기입니다. 사용자는 먼저 환경의 레이아웃 크기를 그리드 형태로 설정한 후, 로봇, 선반, 충전소, 컨베이어 벨트, 작업 스테이션 등의 구성요소를 드롭다운 메뉴에서 선택하여 클릭 또는 드래그로 배치합니다. 주문 대기열 크기, 컨베이어 속도, 피드 간격 등의 운영 파라미터도 간편하게 설정할 수 있습니다. 모든 설계는 표준화된 YAML 파일로 내보내고 불러올 수 있어 재현성과 공유가 용이합니다. 이는 연구의 재현 가능성을 중시하는 학계와, 설계 자산의 버전 관리가 필요한 산업계 모두의 요구를 충족합니다.

이미지 2. RAPID의 Environment Builder 유저 인터페이스^[1]

사용자는 레이아웃 설계가 완료되면 Simulation Dashboard에서 제어 전략으로서 다양한 행동 모델(behavior model)을 적용하여 시스템 성능을 검증합니다. 대시보드는 좌측의 애니메이션 뷰와 우측의 라이브 차트 뷰의 이중 뷰 디스플레이를 제공합니다. 애니메이션 뷰에서는 로봇들의 움직임과 상호작용을 실시간으로 관찰할 수 있고, 라이브 차트 뷰에서는 처리량(throughput), 작업 완료 시간, 로봇 상태(유휴/이동/상호작용/충전), 누적 보상(RL 모델 사용 시) 등 핵심 성과 지표를 실시간으로 확인할 수 있습니다. 이를 통해 "로봇을 추가하면 처리량이 얼마나 증가하는가?", "충전소 위치를 바꾸면 병목이 해소되는가?"와 같은 질문에 몇 분 안에 답을 얻을 수 있습니다.

 

이미지 3. RAPID의 Simulation Dashboard 유저 인터페이스^[1]

RAPID의 가장 큰 기술적 강점은 PettingZoo API 준수를 통한 표준화된 인터페이스입니다. PettingZoo^[4]는 다중 에이전트 환경의 표준 인터페이스 중 하나로, 에이전트 환경의 표준 인터페이스인 OpenAI Gym^[5]의 다중 에이전트 버전이라 할 수 있습니다. 이 표준을 준수함으로써 연구자들은 EPyMARL^[6] 등의 프레임워크에서 학습한 MAPPO^[7], QMIX^[8] 등의 다양한 다중 에이전트 강화학습 알고리즘을 포함한 다양한 행동 모델들을 별도의 코드 수정 없이 바로 적용할 수 있습니다. 현재 RAPID가 지원하는 행동 모델은 다음과 같습니다:

- 휴리스틱 알고리즘: 사용자가 기존의 운영 로직이나 새로운 규칙 기반 알고리즘을 Python 스크립트로 직접 구현하여 적용할 수 있습니다. 이는 현업에서 이미 검증된 로직을 시뮬레이션에 빠르게 통합할 수 있게 해줍니다.

- 강화학습(RL) 정책: MAPPO, QMIX 등 최신 다중 에이전트 강화학습 알고리즘을 직접 적용할 수 있습니다. 연구자들은 자신의 알고리즘을 학습시킨 후 정책을 내보내어 RAPID에서 바로 테스트할 수 있습니다.

- 거대 언어 모델(LLM) 플래너: EXAONE 등의 거대 언어 모델(Large Language Model, LLM)을 활용한 계획 수립을 지원합니다. 현재 환경 상태를 자연어로 설명하면 LLM이 고수준 계획(high-level plan)을 생성하고, 이를 실행 가능한 저수준 행동(low-level action)으로 변환합니다. 이는 언어 모델이 다중 에이전트 조정 문제를 어떻게 추론하는지 연구하는 데 유용합니다.

RAPID는 스마트 물류, 스마트 팩토리를 위한 산업 자동화의 네 가지 대표 예시 시나리오를 제공합니다:

- 주문 피킹(Order Picking): 주문 완료 시간 최소화를 목표로 로봇들이 재고 선반을 고정된 작업자에게 운반

- 재고 적재(Stowing): 적재 완료 시간 최소화를 목표로 로봇들이 선반을 작업자에게 가져가 새 재고 보충

- 물류 센터(Fulfillment Center): 위 두 가지 목표의 동시 최적화를 목표로 피킹과 적재를 동시에 수행

- 생산 설비(Production Line): 생산 흐름 유지 및 처리량 최대화를 목표로 로봇들이 작업대와 컨베이어 간 자재 운반

특히 물류 센터 시나리오는 주문 피킹과 재고 적재라는 두 가지 상충하는 목표를 동시에 최적화해야 하는 복잡한 자원 할당 문제를 제공합니다. 이는 연구자들에게 흥미로운 벤치마크가 됩니다.

AAAI 2026에서 RAPID를 시연하는 동안, 다양한 배경의 연구자 및 산업계 종사자들과 교류할 수 있었습니다. 많은 연구자가 산업 자동화를 위한 시뮬레이션 환경이라는 주제와 이를 더 빠르게 구현할 수 있는 기능의 필요성에 대해 공감하며 큰 관심을 보였습니다.

AAAI 2026 최신 연구 동향

이번 AAAI 2026에서는 RAPID와 관련된 여러 흥미로운 연구들이 발표되었습니다. 그 중에서 특히 산업 자동화 문제의 중요한 기술인 다중 로봇 제어 관련 연구들을 소개합니다.

Discrete-Guided Diffusion (DGD)^[9]: 확산 모델을 활용한 다중 로봇 경로 계획

University of Virginia와 UC Irvine 연구팀이 발표한 DGD는 최근 주목받는 생성형 모델 중 하나인 확산 모델(Diffusion Model)을 다중 에이전트 경로 탐색(Multi-Agent Path Finding, MAPF)에 적용한 연구입니다. 기존 MAPF 방법들은 이산적인 그리드 기반으로 동작하여 확장성은 좋지만 경로 품질이 낮습니다. 반면 연속 공간에서의 경로 계획 최적화 기반 방법은 고품질 경로를 생성하지만 로봇 수가 증가하면 차원의 저주로 인해 확장이 어렵습니다.

DGD는 연속 공간에서의 경로 계획 문제를 효과적으로 해결하기 위해 두 접근법을 결합합니다. 먼저 이산 MAPF 솔버(solver)로 대략적인 시공간 구조를 획득한 후, 이를 가이드로 활용하여 확산 모델이 연속 공간에서 고품질 궤적을 생성합니다. 핵심 아이디어는 (1) 비볼록(nonconvex) 문제를 볼록(convex) 부분 문제들로 분해하고, (2) 제약 조건 위반이 감지될 때만 경량화된 투영(projection)을 적용하여 궤적의 실현 가능성을 보장하는 것입니다. 이 방법으로 100대 로봇까지 확장하면서도 높은 성공률과 계획 효율성을 달성했습니다.

 

이미지 4. Discrete-Guided Diffusion 모델을 통한 다중 로봇 경로 계획 과정^[9]

이러한 고품질 경로 계획 알고리즘에 관한 연구는 다중 로봇 군집 제어를 하는 산업 자동화 문제에 있어 필수적이며, RAPID와 같은 산업 자동화 시뮬레이션에서 행동 모델의 품질을 더 높일 수 있을 것으로 기대됩니다.

Workshop on Multi-Agent Path Finding (WoMAPF)

AAAI 2026에서는 다중 에이전트 경로 탐색 워크숍도 개최되었습니다. 아마존 로봇틱스(Amazon Robotics)의 Alex Barbosa가 "대규모 모바일 로봇 군집 조정"에 대해 발표했으며, 분산형 MAPF와 MARL의 결합, 실시간 재계획, 부분 관측 환경에서의 조정 등이 주요 논의 주제였습니다. 이러한 연구들은 모두 "확장 가능하면서도 고품질인 다중 로봇 제어"라는 공통된 목표를 향해 나아가고 있으며, RAPID가 제공하는 표준화된 벤치마크 환경이 이러한 연구들의 비교와 검증에 기여할 수 있을 것으로 기대됩니다.


향후 계획

LG AI연구원은 Physical AI 기술 연구와 함께, RAPID 플랫폼을 활용하여 LG 계열사의 다양한 산업 자동화 프로젝트를 지원해 나갈 계획입니다. 특히 스마트 팩토리 레이아웃 최적화, 물류 센터 로봇 운영 전략 수립 등 실제 현장의 의사결정을 돕는 도구로 활용되는 것을 목표로 삼고 관련 연구를 지속할 예정입니다. 더 나아가서 컴포넌트 및 행동 모델 라이브러리 확장, 고정밀 시뮬레이터와의 연계, 강화학습 등을 기반으로 하는 다중 로봇 제어 최적화 기술 연구 등을 통해 지속적으로 플랫폼의 완성도를 높이고자 합니다.

RAPID는 복잡한 도구를 다루는 전문가만이 아니라, 현장에서 빠른 의사결정이 필요한 실무자와 새로운 알고리즘을 테스트하고 싶은 연구자 모두가 산업 자동화 시뮬레이션을 쉽게 활용하는 것을 지향합니다. 이런 점에서 AAAI 2026에서의 시연은 “누구나 전문가로, 전문가는 새 지평을 열도록”이라는 LG AI연구원의 비전을 전 세계 AI 커뮤니티와 공유하는 뜻깊은 기회였습니다. 앞으로도 LG AI연구원은 이러한 비전과 함께 산업 현장의 실제 문제를 해결하기 위한 연구를 지속해 나갈 것입니다. 


참고
- PettingZoo: Farama Foundation에서 관리하는 다중 에이전트 강화학습(MARL)을 위한 표준 API. OpenAI Gym의 다중 에이전트 버전이라 할 수 있습니다.
- EPyMARL: 다중 에이전트 강화학습(MARL) 알고리즘(MAPPO, QMIX 등)을 구현한 오픈소스 프레임워크.
- MAPPO (Multi-Agent PPO): Proximal Policy Optimization (PPO)을 다중 에이전트 환경에 확장한 알고리즘으로, 협력적 환경에서 뛰어난 성능을 보입니다.
- QMIX: 다중 에이전트 강화학습에서 가치 함수를 분해하여 학습하는 알고리즘으로, 분산 실행-중앙 학습(CTDE) 패러다임을 따릅니다.
- MAPF (Multi-Agent Path Finding): 다중 에이전트가 충돌 없이 각자의 목표 지점에 도달하는 경로를 찾는 문제. NP-hard 문제로, 창고 자동화의 핵심 과제입니다.
- Diffusion model: 데이터를 서서히 망가뜨리는 법(노이즈)을 배운 후, 그 과정을 거꾸로 돌려 완벽한 데이터를 만들어내는 모델입니다.

 

→  관련 논문 읽기