로봇은 하나의 부품이 아니라 하나의 팀이다
로봇을 처음 보면 우리는 대개 겉모습에 먼저 끌린다. 네 바퀴로 조용히 움직이는 로봇 청소기, 공장 라인에서 빠르게 움직이는 로봇팔, 하늘을 나는 드론, 사람처럼 걷는 휴머노이드. 모양은 모두 다르지만, 이들을 로봇답게 만드는 기본 구조는 놀라울 만큼 비슷하다.
로봇은 단순히 모터가 달린 기계가 아니다. 센서만 많이 붙어 있다고 로봇이 되는 것도 아니다. 카메라가 세상을 보고, 컴퓨터가 판단하고, 모터가 움직이며, 다시 그 결과를 확인하는 순환 구조가 있어야 한다. 지난 장에서 살펴본 표현을 빌리면 로봇은 감지하고, 판단하고, 행동하고, 다시 피드백을 받는 시스템이다.
이 복잡한 시스템을 한 번에 이해하려 하면 어렵다. 그래서 우리는 로봇을 일곱 가지 요소로 나누어 볼 것이다.
몸체
센서
액추에이터
제어
인지
계획
학습
이 일곱 가지는 단순한 부품 목록이 아니다. 로봇이라는 팀을 이루는 선수들에 가깝다. 몸체는 세상에 닿는 형태를 만들고, 센서는 주변을 느끼며, 액추에이터는 실제 움직임을 만든다. 제어는 움직임을 안정적으로 다듬고, 인지는 센서 데이터에서 의미를 찾아낸다. 계획은 다음 행동을 정하고, 학습은 경험을 통해 더 나은 방식으로 바뀌게 만든다.
처음에는 각각을 따로 보는 것이 좋다. 그러나 마지막에는 반드시 다시 하나로 묶어야 한다. 로봇의 진짜 재미는 각 요소가 따로 존재하는 데 있지 않고, 서로 연결되어 살아 움직이는 것처럼 보이는 순간에 있기 때문이다.
몸체: 로봇이 세상과 만나는 형태
로봇의 첫 번째 요소는 몸체다. 몸체는 로봇의 물리적 구조다. 바퀴, 팔, 다리, 프레임, 껍데기, 관절, 손가락, 받침대처럼 눈에 보이고 손으로 만질 수 있는 부분이 여기에 속한다.
몸체는 단순한 외형이 아니다. 로봇이 무엇을 할 수 있고 무엇을 하기 어려운지를 결정하는 가장 기본적인 조건이다. 사람에게 몸이 있기에 걸을 수 있고, 손이 있기에 물건을 집을 수 있으며, 눈이 머리에 달려 있기에 넓은 시야를 얻는 것처럼 로봇도 몸체의 형태에 따라 능력이 달라진다.
예를 들어 로봇 청소기는 낮고 납작한 몸체를 가진다. 그래야 소파 밑이나 침대 밑으로 들어갈 수 있다. 대신 높은 선반 위의 먼지를 닦는 일은 어렵다. 산업용 로봇팔은 긴 링크와 여러 관절을 가진다. 그래서 정해진 공간 안에서 빠르고 정확하게 움직일 수 있다. 하지만 스스로 다른 방으로 이동하려면 별도의 이동 장치가 필요하다. 드론은 날개나 프로펠러를 가진다. 그래서 공중을 날 수 있지만, 배터리 사용량과 안정성 문제가 훨씬 중요해진다.
몸체는 로봇의 목적과 함께 설계된다. 창고에서 물건을 나르는 로봇은 무거운 짐을 견딜 수 있는 구조와 안정적인 바퀴가 필요하다. 병원에서 사람을 돕는 로봇은 날카로운 모서리를 줄이고, 사람과 부딪혔을 때 위험하지 않도록 부드러운 외형을 갖추어야 한다. 농업용 로봇은 흙, 먼지, 물, 울퉁불퉁한 지형을 견뎌야 한다.
여기서 중요한 사실이 하나 있다. 로봇의 지능은 머리, 즉 컴퓨터 안에만 있지 않다. 몸체 자체도 문제 해결에 참여한다. 넓은 바퀴는 미끄러운 땅에서 안정성을 높이고, 탄성이 있는 다리는 충격을 흡수하며, 손가락의 모양은 물체를 더 쉽게 잡게 만든다. 좋은 몸체 설계는 소프트웨어가 해야 할 일을 줄여 준다.
반대로 몸체 설계가 좋지 않으면 아무리 똑똑한 알고리즘도 고생한다. 중심이 너무 높으면 조금만 움직여도 넘어지고, 관절이 부족하면 원하는 자세를 만들 수 없으며, 센서 위치가 나쁘면 중요한 정보를 놓친다. 로봇공학에서 하드웨어와 소프트웨어를 함께 생각해야 하는 이유가 여기에 있다.
센서: 로봇의 감각기관
두 번째 요소는 센서다. 센서는 로봇이 세상을 느끼는 장치다. 사람에게 눈, 귀, 피부, 코, 균형 감각이 있듯이 로봇에게도 여러 종류의 감각기관이 필요하다.
카메라는 빛을 받아 이미지를 만든다. 거리 센서는 앞에 있는 물체가 얼마나 떨어져 있는지 알려 준다. LiDAR는 레이저를 이용해 주변 공간의 거리 정보를 촘촘하게 측정한다. IMU는 로봇이 얼마나 기울었는지, 얼마나 빠르게 회전하는지 감지한다. 엔코더는 바퀴나 관절이 얼마나 돌았는지 알려 준다. 힘/토크 센서는 로봇팔이 물체를 밀거나 잡을 때 어느 정도 힘이 작용하는지 측정한다.
센서가 없다면 로봇은 장님이나 다름없다. 물론 미리 정해진 동작을 반복하는 기계는 센서가 많지 않아도 움직일 수 있다. 하지만 환경이 조금만 바뀌어도 문제가 생긴다. 바닥에 장난감이 놓여 있는지, 사람이 앞을 지나가고 있는지, 물체가 원래 위치에서 조금 밀려났는지 알 수 없기 때문이다.
로봇 청소기를 생각해 보자. 로봇 청소기는 방 안을 돌아다니며 벽을 피하고, 가구 주변을 지나가고, 충전기가 있는 위치로 돌아간다. 이 과정에서 바퀴가 얼마나 돌았는지, 앞에 장애물이 있는지, 바닥의 낭떠러지처럼 떨어지는 부분이 있는지, 자신이 어느 방향을 보고 있는지를 계속 확인한다. 센서가 없다면 로봇 청소기는 그저 모터 달린 원반일 뿐이다.
다만 센서가 세상을 그대로 알려 주는 것은 아니다. 카메라는 조명이 어두우면 잘 보지 못하고, 유리나 거울 앞에서는 거리 센서가 헷갈릴 수 있다. 바퀴 엔코더는 바퀴가 헛돌면 실제 이동 거리와 다른 값을 낸다. 센서는 감각기관이지만, 완벽한 진실을 주는 마법의 창문은 아니다. 로봇은 센서가 주는 불완전한 단서를 이용해 세상을 추정한다.
이 점은 앞으로 계속 중요해진다. 로봇은 "정확히 안다"기보다 "그럴 가능성이 높다고 판단한다." 센서는 로봇 지능의 출발점이지만, 센서 데이터만으로는 충분하지 않다. 그 데이터를 해석하는 과정이 필요하다.
액추에이터: 로봇의 근육
세 번째 요소는 액추에이터다. 이름이 조금 낯설지만, 쉽게 말하면 로봇을 실제로 움직이게 만드는 장치다. 사람에게 근육이 있다면 로봇에게는 액추에이터가 있다.
가장 흔한 액추에이터는 모터다. 바퀴를 돌리는 DC 모터, 각도를 정밀하게 맞추는 서보 모터, 일정한 단계로 회전하는 스텝 모터 등이 있다. 로봇팔의 관절을 움직이는 장치, 드론의 프로펠러를 돌리는 장치, 그리퍼의 손가락을 여닫는 장치도 모두 액추에이터에 해당한다. 공압이나 유압처럼 공기나 액체의 압력을 이용해 큰 힘을 내는 방식도 있다.
액추에이터는 컴퓨터 속 명령을 물리 세계의 움직임으로 바꾸는 출구다. 코드에서 "앞으로 1미터 이동하라"라고 쓴다고 해서 로봇이 곧바로 움직이는 것은 아니다. 그 명령은 모터의 회전 속도, 회전 방향, 힘의 크기 같은 더 구체적인 신호로 바뀌어야 한다. 그리고 그 신호를 받은 액추에이터가 전기 에너지나 압력을 실제 운동으로 바꾼다.
여기서 중요한 단어가 두 가지 있다. 바로 토크와 속도다. 토크는 회전시키는 힘이라고 이해하면 된다. 문손잡이를 돌릴 때 손잡이를 비트는 힘이 필요한 것처럼, 모터가 바퀴나 관절을 돌리려면 토크가 필요하다. 속도는 얼마나 빠르게 움직일 수 있는지를 뜻한다. 힘이 강하지만 느린 모터도 있고, 빠르지만 큰 힘을 내지 못하는 모터도 있다.
로봇을 만들 때는 "움직이면 된다"가 아니라 "어떤 힘으로, 어떤 속도로, 얼마나 정확하게, 얼마나 오래 움직여야 하는가"를 생각해야 한다. 작은 교육용 로봇에 쓰는 모터로는 사람 팔만 한 로봇팔을 안정적으로 움직이기 어렵다. 반대로 산업용 대형 모터를 작은 책상 위 로봇에 붙이면 너무 무겁고 위험하며 전력도 많이 쓴다.
액추에이터에는 한계가 있다. 모터는 뜨거워질 수 있고, 배터리는 금방 닳을 수 있으며, 기어는 마모될 수 있다. 로봇이 명령을 받았다고 해서 언제나 명령 그대로 움직일 수 있는 것은 아니다. 그래서 로봇은 액추에이터의 능력과 한계를 고려해야 한다. 좋은 로봇은 하고 싶은 일을 정하는 것만큼이나, 실제 몸이 감당할 수 있는 방식으로 움직이는 것이 중요하다.
제어: 원하는 움직임에 가까워지게 만드는 기술
네 번째 요소는 제어다. 제어는 로봇이 목표한 움직임을 실제로 잘 따라가도록 만드는 과정이다. 센서가 감각기관이고 액추에이터가 근육이라면, 제어는 근육을 적절히 조절하는 신경계에 가깝다.
로봇에게 "앞으로 가라"라고 명령했다고 해 보자. 두 바퀴가 완벽히 같은 속도로 돈다면 로봇은 곧게 갈 것이다. 하지만 현실에서는 양쪽 모터 성능이 조금 다를 수 있고, 바닥의 마찰도 일정하지 않으며, 한쪽 바퀴가 미끄러질 수도 있다. 그러면 로봇은 조금씩 한쪽으로 휘어진다.
제어는 이런 차이를 계속 확인하고 보정한다. 목표값이 있고 현재값이 있다. 목표값은 로봇이 도달하고 싶은 상태다. 예를 들어 바퀴 속도, 관절 각도, 로봇의 위치, 드론의 높이 같은 것이 목표값이 될 수 있다. 현재값은 센서로 측정한 실제 상태다. 목표값과 현재값의 차이를 오차라고 한다. 제어 시스템은 이 오차를 줄이도록 액추에이터에 명령을 보낸다.
가장 직관적인 예는 온도 조절기다. 방 온도를 24도로 맞추고 싶다고 하자. 현재 온도가 20도라면 난방을 켠다. 온도가 목표에 가까워지면 난방을 줄인다. 너무 올라가면 멈춘다. 로봇 제어도 이와 비슷하다. 다만 온도보다 훨씬 빠르게 변하는 위치, 속도, 힘, 균형을 다루는 경우가 많다.
로봇팔의 관절을 30도로 움직이고 싶다면 제어기는 현재 관절 각도를 확인한다. 아직 10도라면 모터를 돌리고, 25도까지 왔다면 조금 약하게 돌리고, 30도를 지나쳐 32도가 되면 반대로 보정한다. 이렇게 목표와 현재를 비교하며 계속 조절하는 방식을 피드백 제어라고 한다.
제어가 중요한 이유는 현실이 언제나 지저분하기 때문이다. 이론 속 로봇은 바닥이 평평하고, 모터가 정확하며, 센서가 완벽하다. 하지만 실제 로봇은 먼지 낀 바닥을 지나가고, 배터리 전압이 떨어지고, 갑자기 누군가 밀 수도 있다. 제어는 이런 예측하기 어려운 변화를 견디게 해 준다.
좋은 제어는 눈에 잘 띄지 않는다. 로봇이 부드럽게 멈추고, 팔이 흔들리지 않으며, 드론이 공중에서 안정적으로 떠 있을 때 우리는 그저 "잘 움직인다"고 느낀다. 하지만 그 뒤에서는 목표값과 현재값을 비교하고 오차를 줄이는 계산이 끊임없이 이루어진다.
인지: 센서 데이터에서 의미를 읽어내기
다섯 번째 요소는 인지다. 인지는 센서 데이터에서 의미 있는 정보를 뽑아내는 과정이다. 센서가 눈이라면, 인지는 "무엇을 보고 있는지 이해하는 능력"에 가깝다.
카메라는 픽셀값을 제공한다. 픽셀값은 이미지의 작은 점마다 색과 밝기를 숫자로 표현한 것이다. 하지만 로봇에게 필요한 것은 단순한 숫자 배열이 아니다. 로봇은 그 이미지 속에 사람이 있는지, 컵이 어디에 놓여 있는지, 문이 열려 있는지, 바닥이 지나갈 수 있는 공간인지 알아야 한다. 이때 필요한 것이 인지다.
LiDAR도 마찬가지다. LiDAR는 주변 물체까지의 거리를 점들의 모음으로 보여 준다. 하지만 로봇은 그 점들을 보고 "여기는 벽이다", "저기는 빈 공간이다", "앞에 움직이는 사람이 있다"처럼 해석해야 한다. IMU와 엔코더 데이터도 그냥 숫자로 끝나지 않는다. 로봇은 그 숫자를 이용해 자신이 얼마나 움직였는지, 어느 방향으로 기울었는지 추정한다.
인지에서 중요한 일은 크게 두 가지다. 하나는 세상에 무엇이 있는지 알아내는 일이다. 물체 인식, 사람 감지, 장애물 탐지, 표지판 인식 등이 여기에 해당한다. 다른 하나는 로봇 자신이 어디에 있고 어떤 상태인지 알아내는 일이다. 위치 추정, 자세 추정, 속도 추정 등이 여기에 해당한다.
예를 들어 서비스 로봇이 카페에서 손님에게 음료를 가져다준다고 하자. 이 로봇은 단순히 앞으로 움직이는 것만으로는 부족하다. 테이블이 어디에 있는지, 손님이 어느 방향에 앉아 있는지, 바닥에 놓인 가방을 피해야 하는지 알아야 한다. 컵을 집는 로봇팔이라면 컵의 위치뿐 아니라 컵의 방향, 크기, 잡기 좋은 부분도 파악해야 한다.
인지가 어려운 이유는 세상이 너무 다양하기 때문이다. 같은 컵도 조명에 따라 다르게 보이고, 사람의 옷차림은 매번 바뀌며, 의자는 모양이 제각각이다. 바닥에는 그림자, 반사, 얼룩이 있을 수 있다. 사람은 쉽게 "아, 저건 컵이네"라고 말하지만, 로봇에게는 픽셀과 거리 데이터에서 그런 의미를 찾아내는 일이 결코 간단하지 않다.
그래서 현대 로봇에서는 인공지능, 특히 컴퓨터 비전 기술이 중요한 역할을 한다. 컴퓨터 비전은 컴퓨터가 이미지나 영상을 이해하도록 만드는 분야다. 하지만 인지는 단순히 AI 모델 하나를 붙인다고 끝나지 않는다. 센서의 위치, 조명 조건, 움직임, 계산 속도, 안전 요구 사항까지 함께 고려해야 한다. 로봇의 인지는 언제나 실제 행동과 연결되어 있기 때문이다.
계획: 지금 무엇을 해야 할지 정하기
여섯 번째 요소는 계획이다. 계획은 로봇이 목표를 이루기 위해 어떤 순서로 행동할지 정하는 과정이다. 인지가 "지금 세상이 어떤 상태인지" 알아내는 일이라면, 계획은 "그렇다면 다음에 무엇을 할 것인지" 결정하는 일이다.
로봇에게 "저 문 앞까지 가라"라는 목표가 주어졌다고 하자. 로봇은 먼저 주변 지도를 보고, 장애물이 어디에 있는지 확인하고, 지나갈 수 있는 공간을 찾아야 한다. 그런 다음 출발점에서 목적지까지 이어지는 경로를 정한다. 이 과정이 경로 계획이다.
하지만 로봇의 계획은 길 찾기만을 뜻하지 않는다. 로봇팔이 컵을 집는 상황을 생각해 보자. 로봇팔은 컵을 향해 손을 뻗고, 적절한 위치에서 그리퍼를 열고, 컵을 감싸고, 너무 세지도 약하지도 않은 힘으로 잡고, 들어 올려야 한다. 만약 컵 앞에 다른 물체가 있으면 먼저 치워야 할 수도 있다. 이런 행동의 순서를 정하는 것도 계획이다.
계획에는 여러 층이 있다. 큰 계획은 "주방으로 이동한다", "컵을 찾는다", "컵을 집는다", "사용자에게 전달한다"처럼 작업 단위로 나뉜다. 작은 계획은 "왼쪽 바퀴를 이 속도로 돌린다", "관절을 이 각도로 움직인다"처럼 구체적인 움직임으로 내려간다. 높은 수준의 계획은 목적과 순서를 다루고, 낮은 수준의 계획은 실제 움직일 수 있는 경로와 동작을 만든다.
좋은 계획은 단순히 빠른 길을 찾는 것이 아니다. 안전하고, 실행 가능하고, 상황 변화에 대응할 수 있어야 한다. 최단 경로가 사람들 사이를 아슬아슬하게 지나가는 길이라면 서비스 로봇에게 좋은 계획이 아닐 수 있다. 로봇팔이 컵을 가장 빠르게 집는 동작을 찾았더라도, 주변 물체를 치거나 컵을 넘어뜨릴 위험이 있다면 좋은 계획이 아니다.
계획은 로봇을 똑똑해 보이게 만드는 핵심 요소다. 같은 센서와 같은 모터를 가진 로봇이라도 계획 능력이 다르면 전혀 다른 행동을 보인다. 한 로봇은 장애물 앞에서 멈춰 서고, 다른 로봇은 돌아갈 길을 찾는다. 한 로봇은 물체를 집다가 실패하면 멈추고, 다른 로봇은 다시 잡을 위치를 바꿔 시도한다. 그 차이를 만드는 것이 계획이다.
학습: 경험으로 더 나아지는 능력
일곱 번째 요소는 학습이다. 학습은 로봇이 경험이나 데이터를 통해 성능을 개선하는 능력이다. 모든 로봇에 반드시 복잡한 학습 기능이 들어가는 것은 아니다. 많은 로봇은 사람이 미리 정한 규칙과 알고리즘으로도 잘 작동한다. 하지만 환경이 복잡하고 다양해질수록 학습의 중요성은 커진다.
규칙 기반 로봇을 먼저 생각해 보자. 사람이 "앞에 장애물이 30센티미터 이내로 감지되면 멈춘다", "왼쪽 길이 비어 있으면 왼쪽으로 돈다"처럼 규칙을 만들어 넣는다. 이런 방식은 이해하기 쉽고 예측 가능하다. 공장처럼 환경이 잘 정리되어 있거나, 작업이 반복적일 때는 매우 효과적이다.
하지만 세상은 늘 정리되어 있지 않다. 집마다 가구 배치가 다르고, 사람마다 명령하는 방식이 다르며, 물체의 모양과 위치도 계속 바뀐다. 모든 경우를 사람이 규칙으로 하나하나 적는 것은 불가능에 가깝다. 이때 학습이 등장한다.
학습은 로봇에게 세 가지 능력을 더해 준다.
적응성: 새로운 환경이나 변화된 조건에 맞춰 행동을 조정하는 능력
일반화: 훈련 때 보지 못한 비슷한 상황에서도 적절히 대응하는 능력
경험 기반 개선: 실패와 성공의 기록을 바탕으로 다음 행동을 더 좋게 만드는 능력
예를 들어 로봇팔이 다양한 컵을 집는 법을 배운다고 하자. 사람이 모든 컵의 크기, 모양, 재질, 손잡이 위치를 규칙으로 적어 주기는 어렵다. 대신 여러 컵을 집어 보는 데이터를 모으고, 어떤 자세에서 잘 잡혔는지 학습하게 할 수 있다. 그러면 로봇은 처음 보는 컵을 만나도 이전 경험을 바탕으로 그럴듯한 잡기 위치를 찾을 수 있다.
강화학습은 로봇이 시행착오를 통해 행동을 배우는 방법이다. 로봇이 어떤 행동을 했을 때 좋은 결과가 나오면 보상을 받고, 나쁜 결과가 나오면 보상을 적게 받거나 벌점을 받는다. 반복을 통해 보상을 크게 만드는 행동을 찾는다. 모방학습은 사람이 보여 준 행동을 따라 하며 배우는 방법이다. 사람이 로봇팔을 조종해 물체를 집는 모습을 기록하고, 로봇이 그 패턴을 배우는 식이다.
최근에는 거대한 AI 모델을 로봇에 연결하려는 시도도 활발하다. 자연어 명령을 이해하고, 카메라 이미지와 결합해, 어떤 행동을 해야 할지 정하는 방식이다. 예를 들어 사람이 "테이블 위에 있는 빨간 컵을 싱크대로 가져가"라고 말하면, 로봇은 문장을 이해하고, 빨간 컵을 찾고, 집고, 이동하고, 내려놓는 행동을 계획해야 한다.
하지만 학습은 만능 열쇠가 아니다. 학습한 로봇도 잘못 판단할 수 있고, 훈련 데이터에 없던 상황에서는 엉뚱하게 행동할 수 있다. 특히 로봇은 물리 세계에서 움직이기 때문에 실수가 곧 충돌이나 파손, 사람의 안전 문제로 이어질 수 있다. 그래서 실제 로봇에서는 학습과 규칙, 제어와 안전 장치를 함께 사용한다. 똑똑한 로봇일수록 자유롭게 행동하는 것처럼 보이지만, 그 안에는 많은 제한과 검증이 함께 들어 있다.
일곱 요소는 순서대로만 움직이지 않는다
이제 일곱 요소를 모두 살펴보았다. 하지만 여기서 오해하면 안 되는 점이 있다. 로봇은 몸체, 센서, 액추에이터, 제어, 인지, 계획, 학습을 한 번씩 차례로 실행하고 끝내는 기계가 아니다. 실제 로봇 안에서는 이 요소들이 계속 동시에 돌아간다.
로봇 청소기가 방 안을 움직이는 장면을 떠올려 보자. 몸체는 바닥 위에서 굴러가고, 센서는 벽과 가구를 감지한다. 인지는 어디가 장애물이고 어디가 빈 공간인지 해석한다. 계획은 다음에 어느 방향으로 갈지 정한다. 제어는 바퀴가 목표 속도대로 돌도록 조절한다. 액추에이터는 실제로 바퀴를 움직인다. 학습 기능이 있다면 자주 막히는 장소나 효율적인 청소 패턴을 다음 작동에 반영할 수 있다.
이 모든 과정은 한 번에 끝나지 않는다. 로봇이 1초 움직이는 동안에도 센서값은 계속 바뀌고, 제어 명령은 계속 갱신되며, 계획은 필요할 때 수정된다. 앞에 없던 의자가 나타나면 기존 경로는 더 이상 좋은 계획이 아니다. 바퀴가 미끄러지면 제어는 더 강하게 또는 다르게 보정해야 한다. 카메라가 물체를 잘못 인식하면 행동 전체가 바뀔 수도 있다.
그래서 로봇 시스템을 이해할 때는 직선보다 순환을 떠올리는 편이 좋다. 센서가 정보를 받아들이고, 인지가 해석하고, 계획이 행동을 정하고, 제어가 액추에이터를 움직이고, 몸체가 세상과 상호작용한다. 그 결과가 다시 센서로 들어온다. 로봇은 이 순환을 빠르게 반복하며 살아 있는 것처럼 보인다.
예시로 보는 하나의 로봇 시스템
조금 더 구체적인 장면을 상상해 보자. 집 안에서 사용자가 로봇에게 말한다.
"책상 위에 있는 물병을 가져다줘."
이 간단한 부탁 안에는 일곱 요소가 모두 들어 있다. 먼저 로봇에게는 물리적인 몸체가 필요하다. 이동할 수 있는 바퀴 달린 베이스가 있을 수도 있고, 물병을 집을 수 있는 로봇팔과 그리퍼가 달려 있을 수도 있다. 몸체가 없다면 물병에 접근하거나 잡을 수 없다.
센서는 주변을 확인한다. 카메라는 책상과 물병을 볼 수 있고, 거리 센서나 LiDAR는 책상까지의 거리와 주변 장애물을 파악하는 데 도움을 준다. 엔코더와 IMU는 로봇이 얼마나 이동했는지, 어느 방향으로 향하고 있는지 알려 준다. 그리퍼에 힘 센서가 있다면 물병을 너무 세게 누르지 않도록 감지할 수 있다.
인지는 센서 데이터를 해석한다. 카메라 이미지에서 책상을 찾고, 그 위에 있는 물병을 구분한다. 물병이 투명하거나 배경과 비슷한 색이면 더 어려워진다. 로봇은 물병의 위치와 크기, 잡을 수 있는 부분을 추정해야 한다. 동시에 방 안에서 자신이 어디에 있는지도 알아야 한다.
계획은 작업을 순서로 나눈다. 먼저 책상까지 이동한다. 그다음 물병 앞에서 적절한 위치에 멈춘다. 로봇팔을 뻗어 물병에 접근한다. 그리퍼를 열고, 물병을 감싸고, 적절한 힘으로 잡는다. 물병을 들어 올리고, 사용자에게 돌아와 내려놓는다. 이 과정 중 하나라도 실패하면 다시 시도하거나 다른 방법을 찾아야 한다.
제어는 각 움직임을 안정적으로 만든다. 바퀴가 목표 속도로 돌도록 조절하고, 로봇팔 관절이 원하는 각도로 움직이도록 보정한다. 물병을 들어 올릴 때 흔들리지 않게 하고, 멈출 때 갑자기 덜컥거리지 않게 한다. 액추에이터는 실제로 바퀴를 돌리고, 관절을 움직이고, 그리퍼를 여닫는다.
학습은 이 경험을 다음 행동에 반영할 수 있다. 어떤 모양의 물병은 어디를 잡아야 잘 미끄러지지 않는지, 집 안의 어느 길이 자주 막히는지, 사용자가 보통 어디에서 물건을 받는지 배울 수 있다. 처음에는 서툴던 로봇이 여러 번의 경험을 통해 조금씩 자연스러워지는 것이다.
겉으로 보면 "물병을 가져왔다"라는 하나의 행동이다. 하지만 속을 들여다보면 몸체, 센서, 액추에이터, 제어, 인지, 계획, 학습이 촘촘히 맞물린 결과다. 로봇공학이 흥미로운 이유도 바로 여기에 있다. 간단해 보이는 행동 하나에도 기계, 전자, 컴퓨터, 수학, 인공지능이 함께 들어 있다.
하드웨어와 소프트웨어는 서로를 바꾼다
로봇을 처음 배울 때 흔히 하는 착각이 있다. 하드웨어는 하드웨어대로 만들고, 소프트웨어는 나중에 얹으면 된다고 생각하는 것이다. 하지만 실제 로봇에서는 두 영역이 깊이 얽혀 있다.
센서를 어디에 붙이느냐에 따라 인지 알고리즘의 난이도가 달라진다. 카메라가 너무 낮게 달려 있으면 멀리 있는 장애물을 보기 어렵고, 너무 높게 달려 있으면 가까운 물체를 집을 때 사각지대가 생길 수 있다. 바퀴의 크기와 위치는 이동 제어에 영향을 준다. 로봇팔의 관절 수와 길이는 물체를 잡을 수 있는 범위를 결정한다.
반대로 소프트웨어의 능력은 하드웨어 선택을 바꾼다. 좋은 위치 추정 알고리즘이 있다면 비교적 저렴한 센서 조합으로도 쓸 만한 성능을 낼 수 있다. 정교한 제어 알고리즘이 있다면 같은 모터로도 더 부드럽고 안정적인 움직임을 만들 수 있다. 학습 기반 인지 기술이 발전하면 예전에는 다루기 어려웠던 복잡한 환경에서도 로봇이 작동할 가능성이 높아진다.
그러나 소프트웨어가 모든 하드웨어 문제를 해결할 수는 없다. 힘이 부족한 모터로 무거운 물체를 드는 것은 불가능하고, 볼 수 없는 위치에 있는 물체를 카메라만으로 인식하기도 어렵다. 반대로 하드웨어가 아무리 좋아도 소프트웨어가 센서 데이터를 제대로 해석하지 못하거나 제어를 안정적으로 하지 못하면 로봇은 제대로 동작하지 않는다.
좋은 로봇 설계는 늘 질문에서 시작한다. 이 로봇은 어디에서 움직이는가? 무엇을 감지해야 하는가? 무엇을 움직여야 하는가? 어느 정도의 정확도와 속도가 필요한가? 실패했을 때 어떻게 안전하게 멈출 것인가? 이런 질문에 답하다 보면 일곱 요소가 자연스럽게 연결된다.
로봇을 읽는 눈 만들기
앞으로 어떤 로봇을 보든, 이제는 겉모습만 보지 말고 일곱 가지 질문을 던져 보자.
이 로봇의 몸체는 어떤 목적에 맞게 생겼는가?
어떤 센서로 주변과 자기 상태를 감지하는가?
어떤 액추에이터가 실제 움직임을 만드는가?
제어는 어떤 목표값을 따라가며 오차를 줄이는가?
인지는 센서 데이터에서 어떤 의미를 찾아내는가?
계획은 목표를 어떤 행동 순서로 바꾸는가?
학습은 경험을 통해 무엇을 더 잘하게 만드는가?
이 질문들은 로봇공학의 지도를 읽는 기본 도구가 된다. 자율주행차를 볼 때도, 드론을 볼 때도, 공장의 로봇팔을 볼 때도 같은 방식으로 분석할 수 있다. 자율주행차의 몸체는 자동차이고, 센서는 카메라와 레이더와 LiDAR일 수 있으며, 액추에이터는 조향 장치와 브레이크와 가속 장치다. 인지는 차선과 보행자와 신호등을 이해하고, 계획은 어느 차선으로 어떻게 움직일지 정하며, 제어는 실제 차량이 그 경로를 안정적으로 따라가게 한다. 학습은 더 다양한 도로 상황에 대응하는 능력을 높인다.
로봇 청소기도 같은 틀로 볼 수 있다. 낮은 원형 몸체, 충돌 센서와 거리 센서, 바퀴 모터와 흡입 장치, 주행 제어, 장애물 인식, 청소 경로 계획, 사용 패턴 학습이 연결되어 있다. 휴머노이드도 마찬가지다. 사람과 비슷한 몸체, 카메라와 힘 센서, 수많은 관절 모터, 균형 제어, 사람과 물체 인지, 걷기와 작업 계획, 경험 기반 학습이 하나의 시스템을 이룬다.
복잡한 로봇도 이 틀 안에 놓고 보면 조금 덜 낯설어진다. 물론 각 요소를 깊게 들어가면 어려운 수학과 알고리즘이 등장한다. 하지만 큰 그림은 단순하다. 로봇은 몸을 가지고, 세상을 느끼고, 의미를 이해하고, 목표를 세우고, 움직임을 만들고, 결과를 확인하며, 경험으로 나아지는 시스템이다.
이 장에서 얻어야 할 가장 중요한 감각은 이것이다. 로봇은 하나의 기술이 아니라 여러 기술의 결합이다. 센서만 알아도 부족하고, 모터만 알아도 부족하다. AI만 알아도 로봇을 완전히 이해할 수 없다. 로봇은 물리 세계에서 작동하는 지능 시스템이기 때문에, 몸체와 감각과 움직임과 판단이 함께 맞아야 한다.
다음에 로봇 영상을 보거나 실제 로봇을 만난다면, 그 로봇이 얼마나 사람처럼 보이는지보다 먼저 이 일곱 요소를 떠올려 보자. 어디서 세상을 느끼고, 어디서 움직임이 나오며, 어떤 판단을 거쳐 행동하는지 보이기 시작할 것이다. 그 순간 로봇은 더 이상 신기한 검은 상자가 아니다. 이해할 수 있는 시스템이 된다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.