일상 공간으로 들어오는 피지컬 AI

공장 밖의 더 복잡한 현장

피지컬 AI는 더 이상 공장과 물류센터에만 머물지 않는다. 가정, 아파트 단지, 도로, 병원, 상점, 학교처럼 사람이 생활하는 공간으로 들어오고 있다. NVIDIA는 피지컬 AI를 현대 로봇, 자율주행차, 스마트 공간을 움직이는 핵심 기술로 설명한다¹. 이 표현이 중요한 이유는 피지컬 AI의 무대가 '기계가 일하는 공간'에서 '사람이 사는 공간'으로 넓어지고 있음을 보여주기 때문이다.

산업 현장은 어렵지만 어느 정도 통제할 수 있다. 작업 순서가 정해져 있고, 장비 위치가 고정되어 있으며, 사람의 동선도 관리된다. 반면 일상 공간은 훨씬 불규칙하다. 거실 바닥에는 장난감이 놓일 수 있고, 도로에는 갑자기 보행자가 나타날 수 있으며, 엘리베이터 앞에서는 유모차와 배달 로봇과 사람이 동시에 움직인다.

그래서 일상 공간의 피지컬 AI는 단순히 더 똑똑한 모델이 아니다. 사람의 습관, 공간의 암묵적 규칙, 예외 상황을 배우는 시스템이다. 감지한다. 판단한다. 행동한다. 그리고 사람이 어떻게 반응하는지 다시 피드백을 받는다. 이 순환이 자연스러워질수록 피지컬 AI는 기술 제품이 아니라 생활 환경의 일부가 된다.

AI 생성 이미지

가정용 로봇은 청소기에서 멈추지 않는다

가정에서 가장 익숙한 피지컬 AI는 로봇 청소기다. 초기 로봇 청소기는 장애물에 부딪히며 이동하거나 단순한 패턴으로 방을 돌았다. 지금은 카메라, 라이다, 깊이 센서 등을 이용해 집의 구조를 파악하고, 방별 지도를 만들며, 카펫과 마룻바닥을 구분한다. 이미 감지–판단–행동–피드백의 기본 순환이 들어 있다.

하지만 청소는 비교적 단순한 작업이다. 바닥이라는 제한된 공간에서 움직이고, 목표도 먼지 제거로 명확하다. 가정용 로봇이 정리, 운반, 돌봄 보조로 확장되려면 더 깊은 환경 이해가 필요하다.

예를 들어 "식탁 위 컵을 싱크대로 가져다줘"라는 지시를 생각해 보자. 로봇은 컵을 찾는 데서 끝나지 않는다. 식탁이 어디인지 알아야 하고, 컵과 꽃병을 구분해야 하며, 컵 안에 물이 남아 있는지 추정해야 한다. 손잡이가 있는 컵인지, 미끄러운 유리컵인지, 얼마나 강하게 잡아야 하는지도 판단해야 한다. 싱크대로 가는 길에 아이가 앉아 있거나 반려동물이 지나가면 경로를 바꿔야 한다.

여기서 중요한 개념이 어포던스다. 어포던스는 어떤 물체가 어떤 행동을 가능하게 하는지를 뜻한다. 의자는 앉을 수 있고, 손잡이는 잡을 수 있으며, 서랍은 열 수 있다. 사람은 이런 의미를 거의 자동으로 이해하지만, 로봇에게는 학습해야 할 정보다. 컵은 집을 수 있지만 컵 안의 뜨거운 차는 쏟으면 위험하다. 빨래 바구니는 옮길 수 있지만 고양이가 들어가 있으면 옮기면 안 된다.

돌봄 보조에서는 난도가 더 높아진다. 노약자에게 물건을 가져다주는 로봇은 사람의 위치와 자세를 감지해야 한다. 사용자가 바닥에 앉아 있는 것인지, 넘어진 것인지 구분해야 한다. 약을 가져다주는 기능은 편리하지만, 잘못된 약을 전달하면 위험하다. 따라서 가정용 피지컬 AI는 "할 수 있는 일"보다 "해도 되는 일"을 먼저 판단해야 한다.

가정은 표준화되어 있지 않다. 같은 의자라도 집마다 위치가 다르고, 가족마다 물건을 두는 습관이 다르다. 그래서 좋은 가정용 로봇은 처음부터 모든 것을 아는 기계가 아니다. 집 안의 지도를 만들고, 반복되는 생활 패턴을 관찰하며, 사용자에게 확인을 요청하면서 조금씩 적응하는 기계에 가깝다.

스마트 시티는 도시를 하나의 피드백 루프로 만든다

도시에서는 피지컬 AI가 개별 로봇을 넘어 인프라와 연결된다. 교통 카메라, 신호등, 도로 센서, 주차 센서, 자율 셔틀, 배달 로봇, 대중교통 운영 시스템이 서로 데이터를 주고받는다. 이때 도시는 거대한 감지–판단–행동–피드백 시스템이 된다.

예를 들어 교차로의 카메라는 차량 흐름과 보행자 대기열을 감지한다. 도로 센서는 속도와 혼잡도를 측정한다. 자율 셔틀은 자신의 위치와 주변 장애물을 파악한다. 이 데이터가 교통 관제 시스템으로 모이면, 신호 주기 조정, 우회 경로 안내, 자율 셔틀 배차, 위험 구간 경고 같은 판단으로 이어질 수 있다.

스마트 시티에서 자주 언급되는 연결 방식이 V2I와 V2V다. V2I는 Vehicle-to-Infrastructure, 즉 차량과 인프라가 정보를 주고받는 방식이다. 차량이 신호등, 도로변 장치, 교통센터와 연결되는 구조다. V2V는 Vehicle-to-Vehicle, 즉 차량끼리 위치와 움직임 정보를 교환하는 방식이다. 자율주행과 스마트 시티 연구에서는 차량, 신호등, 도로변 장치, 교통 관제센터가 실시간으로 연결되어 위험 감지와 교통 흐름 조정에 활용되는 구조가 제안되고 있다².

이 구조의 핵심은 도시 데이터를 단순히 모으는 것이 아니다. 데이터를 행동으로 바꾸는 것이다. 혼잡을 감지하면 신호를 조정한다. 사고 위험이 높아지면 자율 셔틀의 속도를 낮춘다. 공사 구간이 생기면 배달 로봇의 경로를 바꾼다. 그리고 그 결과로 실제 혼잡이 줄었는지, 보행자가 더 안전하게 이동했는지 다시 확인한다.

다만 도시의 피지컬 AI는 편리함만으로 평가할 수 없다. 교통 카메라와 위치 데이터는 개인정보와 감시 문제를 함께 만든다. 모든 것을 더 많이 감지하는 도시가 반드시 더 좋은 도시는 아니다. 필요한 데이터를 최소한으로 쓰고, 목적을 명확히 하며, 시민이 이해할 수 있는 방식으로 운영되어야 한다. 이 문제는 다음 장의 안전과 책임 논의로 이어진다.

자율주행은 동시에 너무 많은 것을 본다

자율주행차와 운전자 보조 시스템은 피지컬 AI가 일상에서 가장 빠르게 체감되는 영역 중 하나다. 운전자 보조 시스템은 ADAS라고 부른다. Advanced Driver Assistance Systems의 약자로, 차선 유지, 자동 긴급 제동, 앞차와의 거리 유지, 사각지대 경고처럼 운전을 돕는 기능을 말한다.

도로는 단순한 이동 공간이 아니다. 차, 오토바이, 자전거, 보행자, 신호등, 차선, 표지판, 공사 구간, 불법 주정차 차량, 갑작스러운 끼어들기가 동시에 존재한다. 피지컬 AI는 이 모든 대상을 한 장면 안에서 감지하고, 각 대상의 움직임을 예측하며, 자기 차량의 다음 행동을 정해야 한다.

예를 들어 횡단보도 근처에서 공이 굴러나오는 장면을 보자. 사람 운전자는 공 뒤에 아이가 뛰어나올 수 있다고 예상한다. 자율주행 시스템도 단순히 "공"을 인식하는 것만으로는 부족하다. 그 물체가 어떤 상황을 암시하는지 판단해야 한다. 이처럼 도로 위 판단은 물체 인식이 아니라 상황 이해에 가깝다.

또한 자율주행은 정답이 하나가 아니다. 앞차가 급정거하면 멈춰야 하지만, 뒤차가 너무 가까우면 급제동이 또 다른 위험을 만들 수 있다. 차선을 바꾸면 장애물을 피할 수 있지만, 옆 차선의 오토바이를 위험하게 만들 수 있다. 따라서 자율주행 피지컬 AI는 안전거리, 속도, 도로 규칙, 주변 운전자의 의도, 승객의 안정감을 동시에 고려해야 한다.

여기서 중요한 것은 단계적 자동화다. 모든 차량이 갑자기 완전 자율주행으로 바뀌지는 않는다. 먼저 운전자 보조 기능이 특정 상황에서 위험을 줄인다. 고속도로 차선 유지, 전방 충돌 경고, 자동 긴급 제동처럼 범위가 제한된 기능이 현실에 먼저 들어온다. 이후 더 많은 센서, 더 넓은 도로 데이터, 더 정교한 판단 모델이 결합되면서 작동 범위가 넓어진다.

그러나 작동 범위가 넓어질수록 사용자의 오해도 커질 수 있다. 운전자가 시스템의 능력을 과신하면 위험하다. 반대로 시스템을 전혀 믿지 못하면 유용한 안전 기능도 쓰이지 않는다. 자율주행과 ADAS의 사용자 경험은 기능의 성능만이 아니라, 기능의 한계를 얼마나 분명하게 전달하는지에 달려 있다.

개인 서비스는 '명령 수행'보다 '상황 맞춤'이 중요하다

일상 공간의 피지컬 AI는 개인 서비스로도 확장된다. 호텔에서 물건을 배달하는 로봇, 병원에서 검체를 옮기는 이동 로봇, 매장에서 재고를 확인하는 로봇, 아파트 단지 안에서 택배를 전달하는 로봇이 그 예다. 이 로봇들은 거대한 산업 설비가 아니라 사람 사이를 지나가는 서비스 장치다.

개인 서비스 로봇의 어려움은 기술보다 사회적 맥락에 있다. 엘리베이터를 탈 때 사람에게 먼저 양보해야 하는가. 좁은 복도에서 어느 쪽으로 비켜야 하는가. 아이가 로봇 앞을 막고 장난을 치면 어떻게 해야 하는가. 사용자가 바쁜지, 도움이 필요한지, 방해받고 싶지 않은지 어떻게 알 수 있는가.

이런 문제는 단순한 경로 계획만으로 해결되지 않는다. 로봇은 사람의 이동 방향, 시선, 속도, 주변 상황을 감지하고, 방해를 최소화하는 행동을 선택해야 한다. 때로는 가장 빠른 경로보다 가장 덜 불편한 경로가 더 좋은 선택이다.

또 하나의 기준은 실패 처리다. 엘리베이터를 못 탔을 때, 문이 닫혀 있을 때, 수령자가 자리에 없을 때, 로봇은 멈춰 서 있기만 해서는 안 된다. 사용자에게 알리고, 대체 위치를 묻고, 관리자에게 도움을 요청해야 한다. 일상 서비스에서 좋은 피지컬 AI는 실수하지 않는 기계가 아니라, 실수했을 때 사람이 이해하고 개입할 수 있게 만드는 기계다.

사용자는 똑똑한 기계보다 예측 가능한 기계를 신뢰한다

피지컬 AI가 일상 공간에 들어오면 사용자는 매 순간 그 행동을 해석한다. 왜 멈췄는지, 왜 돌아가는지, 왜 나를 따라오는지, 왜 갑자기 속도를 줄였는지 알고 싶어 한다. 특히 물리적으로 움직이는 AI는 화면 속 추천 알고리즘보다 더 강한 신뢰가 필요하다.

첫째, 설명 가능성이 필요하다. 설명 가능성은 AI가 왜 그런 판단을 했는지 사람이 이해할 수 있게 보여주는 성질이다. 자율주행 연구에서는 차량이 차선을 바꾸거나 멈추는 이유를 보행자, 신호, 장애물 같은 감지 결과와 연결해 설명하려는 접근이 다뤄지고 있다². 가정용 로봇도 마찬가지다. "장애물이 있어 우회합니다", "컵 안에 액체가 있어 천천히 이동합니다"처럼 짧고 명확한 설명이 사용자 불안을 줄인다.

둘째, 행동이 예측 가능해야 한다. 똑똑하지만 매번 다르게 움직이는 로봇은 불편하다. 사람은 로봇이 어느 방향으로 갈지, 언제 멈출지, 자신에게 얼마나 가까이 올지 예상할 수 있어야 한다. 그래서 일상 공간의 피지컬 AI는 최적 행동만 추구해서는 안 된다. 사람에게 읽히는 행동을 해야 한다.

셋째, 쉬운 개입 방식이 있어야 한다. 음성으로 "멈춰"라고 말할 수 있어야 하고, 앱에서 일시 정지할 수 있어야 하며, 물리적 정지 버튼도 필요하다. 고급 설정 화면을 찾아야만 멈출 수 있는 시스템은 일상 공간에 적합하지 않다. 사용자가 언제든 통제권을 되찾을 수 있다는 감각이 신뢰의 바탕이다.

일상 공간의 규칙을 배우는 기술

일상 공간으로 들어오는 피지컬 AI의 핵심은 더 많은 기능이 아니다. 우리가 사는 공간의 규칙과 습관을 배우는 능력이다. 가정에서는 가족마다 다른 물건의 위치와 생활 패턴을 배운다. 도시에서는 교통 흐름과 보행자의 움직임을 배운다. 이동수단에서는 도로 위 예외 상황을 다룬다. 개인 서비스에서는 사람에게 방해가 되지 않는 방식을 익힌다.

이 변화는 사용자 경험을 바꾼다. 사람은 기계를 조작하는 데서, 기계와 공간을 함께 쓰는 방향으로 이동한다. 버튼을 누르는 경험보다 "이 로봇이 내 의도를 이해하고, 위험하면 멈추며, 필요하면 나에게 묻는다"는 경험이 중요해진다.

피지컬 AI가 일상에 스며들수록 질문도 달라진다. 이제는 "할 수 있는가"만 묻지 않는다. "안전한가", "예측 가능한가", "내가 이해할 수 있는가", "내가 멈출 수 있는가"를 함께 묻는다. 기술이 사람의 공간으로 들어올 때, 성능은 출발점일 뿐이다. 신뢰할 수 있는 행동이 진짜 기준이 된다.

참고

¹NVIDIA Research Shapes Physical AI

²Enhancing smart city mobility through real time explainable AI in autonomous vehicles