K RaaS(Robot as a Service) 플랫폼 아키텍처와 Map Matching, R2X(Robot to Everything), Agent 기반 운영을 설계하는 로봇 서비스가 실제 산업 현장에서 안정적으로 작동하려면, 개별 로봇의 성능만으로는 충분하지 않습니다. 서로 다른 제조사의 로봇들이 같은 공간을 이해하고, 충돌 없이 협력하며, 고객 환경에 맞는 방식으로 유연하게 운영될 수 있어야 합니다.
Physical AI플랫폼 부서의 김성화 책임은 K RaaS 플랫폼의 시스템·애플리케이션 아키텍처를 설계하며 이러한 문제를 플랫폼 관점에서 풀어가고 있습니다. 이기종 로봇 협업을 가능하게 하는 Map Matching, 교착 방지를 위한 R2X 기반 협력주행 구조, 그리고 자연어 기반의 운영/서비스 Agent까지 김성화 책임에게 K RaaS 플랫폼이 어떤 방향으로 진화하고 있는지 들어봤습니다.
먼저 현재 속한 조직의 역할을 소개해 주세요.
저희 Physical AI플랫폼 부서는 K RaaS 플랫폼의 핵심 기술과 시스템을 설계·개발하는 조직입니다. K RaaS는 빌딩, 반도체 공장, 물류 현장 등 다양한 산업 환경에 로봇 서비스를 제공하는 플랫폼인데요. 고객마다 사용하는 로봇 제조사도, 로봇의 종류도, 비즈니스 요구사항도 모두 다릅니다. 저희 조직은 이런 복잡성을 플랫폼 차원에서 풀어내는 역할을 맡고 있습니다. 서로 다른 이기종 로봇이 하나의 플랫폼 위에서 협업할 수 있는 구조를 만들고, 고객 비즈니스에 맞는 운영 환경을 설계합니다. 궁극적으로는 사람이 직접 개입하지 않아도 플랫폼이 고객 비즈니스를 이해하고 스스로 오케스트레이션하는 AI Agent 기반 자율 운영 환경으로 나아가는 것이 팀의 방향입니다.
그 안에서 본인의 직무와 담당하고 있는 역할은 무엇인가요?
저는 K RaaS 플랫폼 초창기부터 함께하며, 시스템 및 애플리케이션 아키텍트로서 플랫폼의 구조를 설계하고 발전시켜 왔습니다. 가장 먼저 고민했던 것은 “이 플랫폼이 다양한 고객 요구를 모두 수용할 수 있는 구조인가”였습니다. K RaaS는 B2B와 B2C를 동시에 대응해야 하는데, 두 환경의 요구사항은 꽤 다릅니다. B2C는 불특정 다수의 트래픽을 탄력적으로 처리해야 하고, B2B는 SaaS형 서비스뿐 아니라 고객 환경에 맞는 구축형 제공도 가능해야 합니다. 이 두 요구를 유연하게 대응하기 위해 플랫폼의 기반 설계 원칙으로 MSA(Microservices Architecture)를 채택했습니다. 이 구조를 바탕으로 저는 Map Matching, R2X, 그리고 최근의 운영 Agent·서비스 Agent 설계까지, 플랫폼 기반 기술과 고객 가치로 이어지는 애플리케이션 레이어를 함께 다루고 있습니다.
아키텍트로서 참여하신 K RaaS 플랫폼은 어떻게 탄생하게 되었나요?
현장에서 로봇 도입을 검토하는 고객들을 만나보면, 서빙 로봇·배송 로봇·청소 로봇처럼 서로 다른 제조사의 로봇을 한 공간에서 함께 운영하고 싶다는 니즈가 많습니다. 하지만 각 로봇은 자체 지도 체계와 내비게이션 방식, 통신 구조가 달라 같은 공간에서 통합 운영하기가 쉽지 않습니다. 로봇을 개별 단위로만 제어하면 관리 포인트가 빠르게 늘어나고, 로봇 간 협업도 어려워집니다. 이런 현실적인 문제를 해결하기 위해 이기종 로봇을 하나의 체계로 관리하는 플랫폼 아키텍처가 필요하다는 공감대가 자연스럽게 형성됐고, K RaaS 플랫폼은 바로 그 역할을 담당하고 있습니다. 즉, 로봇의 종류나 제조사와 관계없이 동일하고 유연한 서비스 운영이 가능하도록 추상화된 플랫폼을 제공하는 것이 핵심입니다.
K RaaS의 핵심 기술 중 하나로 Map Matching이 소개되곤 합니다.
실제로 이 기능의 필요성을 가장 크게 느꼈던 순간은 언제였나요?
가장 분명하게 필요성을 느꼈던 건 안내 로봇, 청소 로봇, 배송 로봇 등 다양한 로봇을 10대 이상 운영하는 고객에서의 VOC였습니다.고객은 여러 대의 로봇이 부딪히지 않고 효율적으로 움직이는 협력주행을 원했지만, 당시에는 그게 동일 제조사 로봇끼리만 가능한 구조였습니다. 제조사마다 자체 SLAM 지도를 사용하고, 협력주행 방식도 달라 상호 호환이 되지 않았기 때문입니다. 결국 고객 입장에서는 “업무에 맞는 로봇을 선택한다“기보다 “한 제조사의 한가지 제품만 써야 한다“는 제약이 생겼습니다.
이 문제를 해결하기 위해 고안한 것이 Map Matching입니다. 각 로봇이 서로 다른 지도를 사용하더라도, 같은 공간이라면 플랫폼이 지도 간 차이를 계산해 각 로봇이 이해할 수 있는 방식으로 변환해 줍니다. 이를 통해 제조사에 관계없이 동일 공간 인식과 협력주행의 기반을 마련할 수 있게 됐습니다
이 문제를 해결하기 위해 고안한 것이 Map Matching입니다. 각 로봇이 서로 다른 지도를 사용하더라도, 같은 공간이라면 플랫폼이 지도 간 차이를 계산해 각 로봇이 이해할 수 있는 방식으로 변환해 줍니다. 이를 통해 제조사에 관계없이 동일 공간 인식과 협력주행의 기반을 마련할 수 있게 됐습니다
또 하나의 핵심 기술로 R2X 기반 협력주행 구조가 언급됩니다.
단순 주행 제어를 넘어 이런 구조가 왜 중요했는지도 설명 부탁드립니다.
Map Matching을 통해 로봇들이 같은 공간을 인식하게 되면, 그 다음 과제는 그 공간을 어떻게 효율적으로 나눠 쓸 것인가입니다. 로봇이 단독으로 움직일 때는 문제가 없지만, 다수의 로봇이 좁은 복도나 교차 구간에서 동시에 움직이면 서로 길을 막거나 교착 상태에 빠지는 일이 자주 발생합니다. 이런 상황을 각 로봇이 개별적으로 판단하게 하면 우회나 양보가 제대로 이뤄지기 어렵고, 전체 운영 흐름이 끊기게 됩니다.
그래서 K RaaS는 이 문제를 플랫폼 차원에서 풀기 위해 R2X 기반 협력주행 구조를 설계했습니다. 각 로봇의 경로를 바탕으로 상호 금지 구역 공유, 우회 경로 추천, 양보 지원 등을 계산하고, 필요한 경우 엘리베이터 배정이나 보안 게이트 개방 같은 건물 설비 연동까지 함께 처리합니다. 결국 중요한 것은 한 대의 로봇이 잘 움직이는가가 아니라, 여러 대의 이기종 로봇이 하나의 서비스 흐름 안에서 조화롭게 움직이도록 만드는 것입니다.
최근에는 운영/서비스 Agent 설계도 함께 진행하신다고 들었습니다.
‘운영 UI’에서 ‘에이전트형 운영’으로 바뀐다는 것은 어떤 변화를 의미하나요?
기존의 ‘운영 UI’ 방식은 운영자가 대시보드를 직접 보며 상태를 확인하고, 여러 메뉴를 오가며 상세 현황을 파악한 뒤, 문제가 생기면 수동으로 대응하는 구조였습니다. 로봇 수가 적을 때는 가능하지만, 규모가 커질수록 운영자가 감당해야 할 정보량과 판단의 수가 빠르게 늘어납니다.
‘에이전트형 운영’은 이 구조를 바꾸는 시도입니다. 예를 들어 운영 Agent는 로봇에서 발생하는 이벤트를 자율적으로 탐지하고, 심각도를 판단해 긴급한 사안은 선조치 후 운영자에게 보고하고, 그 외 이슈는 대응 방안을 제시해 의사결정을 돕습니다. 운영자는 텍스트나 음성 기반의 자연어 인터페이스를 통해 필요한 정보를 요청하고, 실시간 운영 차트나 리포트 형태로 바로 받아볼 수 있습니다. 서비스 Agent 역시 고객의 음성·텍스트 요청을 받아 매장 알림, 로봇 배정, 실시간 배송 안내까지 하나의 흐름으로 처리합니다. 결국 에이전트형 운영은 사람이 모든 것을 직접 처리하는 구조에서, Agent가 운영을 담당하고 사람은 더 중요한 판단에 집중하는 구조로 전환하는 것이라고 생각합니다.
앞으로 K RaaS 플랫폼이 어떤 방향으로 발전하면 좋을까요?
지금까지 K RaaS 플랫폼은 각 영역에서 사람의 판단이 필요했던 부분을 하나씩 자동화해 온 과정이었다고 생각합니다. 앞으로의 방향은 개별 Agent들이 더 유기적으로 연결되어, 고객의 비즈니스와 로봇 운영이 스스로 최적화되는 구조를 만드는 것입니다. 예를 들어 서비스 Agent가 주문 패턴의 변화를 감지하면, 운영 Agent가 로봇 배치를 자동 조정하고, R2X가 새로운 동선을 실시간으로 반영하는 식의 end-to-end 자율 운영 체계를 생각하고 있습니다. “사람이 직접 컨트롤하는 로봇 플랫폼”에서 “AI Agent가 비즈니스를 이해하고 스스로 최적화하는 자율형 플랫폼”으로 점진적으로 나아가는 것이 이 프로젝트의 방향입니다.
이 일을 하면서 특히 흥미롭거나 어렵게 느껴지는 점은 무엇인가요?
개인적으로 가장 흥미로운 점은 이 일이 물리 세계와 직접 연결되어 있다는 점입니다. 일반적인 소프트웨어가 화면 위에서 완결되는 경우가 많다면, 저희가 만드는 시스템은 실제 건물 안에서 로봇을 움직이게 합니다. 로봇의 SLAM 지도 데이터, 실시간 위치 정보, 엘리베이터나 보안 게이트 같은 건물 설비, 그리고 고객의 운영 로직이 하나의 시스템 안에서 유기적으로 연결되어야 하는데, 이 과정은 생각보다 훨씬 복잡합니다. 어느 한 부분만 어긋나도 로봇이 멈추거나 다른 로봇과 교착 상태에 빠질 수 있기 때문입니다. 그래서 단순한 소프트웨어 설계 역량만이 아니라, 물리 공간과 현장 운영을 함께 이해하는 시각이 필요합니다. 그 점이 어렵지만, 동시에 이 일을 계속 고민하게 만드는 가장 큰 매력이라고 생각합니다.
이 분야를 함께 연구·개발하기 위해 필요한 역량이나 경험은 무엇일까요?
무엇보다 시스템적 사고가 중요하다고 생각합니다. 저희가 다루는 플랫폼은 로봇 하드웨어, 클라우드 인프라, 비즈니스 로직, AI 기술까지 다양한 요소가 얽혀 있기 때문에, 개별 기술을 깊이 이해하는 것도 중요하지만 전체를 하나의 구조로 바라볼 수 있는 시각이 큰 도움이 됩니다. 또 서로 다른 로봇과 고객 요구사항을 하나의 플랫폼 위에서 풀어내야 하다 보니, 복잡한 문제를 간결하게 정리하고 구조화하는 설계 역량도 계속 요구됩니다. 최근에는 LLM과 AI Agent 기술이 플랫폼에도 빠르게 적용되고 있어서, 이 영역에 대한 관심과 경험 역시 중요한 경쟁력이 될 수 있습니다. 결국 핵심은 특정 기술 자체보다, 현실의 문제를 어떻게 구조적으로 풀어낼 것인가를 고민하는 태도라고 생각합니다.
앞으로 함께할 동료나 이 분야를 준비하는 연구원·개발자·취업준비생에게
꼭 전하고 싶은 말이 있다면요?
저희가 하는 일은 소프트웨어가 디지털 화면을 넘어 물리적인 세상과 만나는 지점에 있습니다. 내가 만든 시스템이 실제 건물 안에서 로봇을 움직이게 하고, 누군가의 업무 방식에 변화를 만든다는 점에서 큰 보람을 느낄 때가 많습니다. 물론 쉽지 않은 문제도 많지만, 이 분야는 아직 정해진 정답이 많지 않아 함께 고민하고 답을 만들어가는 과정 자체가 굉장히 값진 경험이 됩니다. 복잡한 문제를 만났을 때 부담보다 호기심이 먼저 드는 분이라면, 이 분야에서 즐겁게 일하실 수 있을 거라고 생각합니다. 같은 방향을 바라보며 함께 고민할 동료분들을 기다리고 있겠습니다.
