2편: [개념/역사] 로봇공학과 AI의 첫 만남: 초기 규칙 기반 제어의 한계와 돌파구

 

• 메인 키워드: 로봇공학 AI 역사

• 보조 키워드: 규칙 기반 제어, 초기 인공지능 로봇, 제어공학 한계, 피지컬 AI 발전

• 검색 의도: 초기 로봇공학과 인공지능이 결합하던 시절의 구조적 한계를 이해하고, 수식 중심의 제어가 가졌던 결함과 이를 극복한 과정을 파악하기 위함.

완벽한 수학 공식이 현실에서 무너지는 이유

"공식대로 계산했는데, 왜 로봇 팔이 컵을 깨뜨릴까요?" 초기 로봇공학자들을 가장 괴롭혔던 질문입니다. 1970~1980년대 컴퓨터 성능이 눈부시게 발전하면서, 과학자들은 세상의 모든 물리 법칙을 수학적으로 계산하여 로봇에게 입력하면 완벽한 '인공지능 로봇'을 만들 수 있을 고 생각했습니다. 이른바 '규칙 기반 제어(Rule-based Control)'의 시대였습니다.

당시의 접근법은 명확했습니다. 로봇이 물건을 집으려면 물건의 무게, 마찰 계수, 로봇 모터의 토크, 관성 모멘텀을 모두 정밀한 수식으로 함수화하여 프로그래밍하는 것이었습니다. 컴퓨터 안의 가상 시뮬레이션에서는 이 수식이 완벽하게 작동했습니다. 로봇 팔은 소수점 아래 여섯 자리까지 계산된 정확한 각도와 힘으로 물건을 부드럽게 집어 올렸죠.

하지만 이 프로그래밍을 그대로 실제 철제 로봇에 이식하고 현실의 테이블 위에 올려놓는 순간, 모든 예측이 빗나가기 시작했습니다. 어떤 날은 물건을 집지도 못하고 허공을 휘저었고, 어떤 날은 너무 강한 힘을 줘서 물건을 부수기 일쑤였습니다. 과학자들이 간과한 것은 현실 세계의 '미세한 불확실성'이었습니다.

초기 규칙 기반 시스템이 마주한 3가지 벽

제어공학과 인공지능의 첫 만남이 실패로 끝났던 이유는 크게 세 가지 장벽 때문이었습니다. 제가 현업에서 시스템을 분석할 때도 항상 느끼는 점이지만, 현실은 결코 교과서의 수식처럼 깔끔하지 않습니다.

1. 모델링할 수 없는 마찰과 마모 수식에서는 화강암 테이블과 유리컵 사이의 마찰 계수를 고정된 숫자로 상정합니다. 하지만 실제 현실에서는 테이블 위의 미세한 먼지, 방 안의 습도, 로봇 관절의 윤활유가 얼마나 닳았는지에 따라 마찰력이 실시간으로 변합니다. 이 미세한 오차가 누적되면 제어 시스템 전체가 흔들리게 됩니다.

2. 센서 데이터의 극심한 노이즈 초기 로봇의 눈 역할을 했던 카메라와 초음파 센서는 조명이 조금만 달라지거나 주변에 기계 진동이 있으면 엉뚱한 값을 뱉어냈습니다. "앞에 10cm 거리에 벽이 있다"고 인지해야 하는데, 노이즈 때문에 9cm와 11cm 사이를 거칠게 오가는 데이터가 들어오는 것입니다. 정밀한 규칙 기반 알고리즘은 이런 불확실한 데이터가 들어오면 연산 오류를 일으키거나 멈춰버렸습니다.

3. 예외 상황(If-Then)의 무한 루프 "만약 컵이 미끄러지면 힘을 2% 더 준다", "만약 조명이 어두워지면 센서 감도를 올린다" 같은 방식으로 인간이 일일이 규칙을 짜다 보니, 코드가 수만 줄로 늘어났습니다. 하지만 현실의 변수는 무한대입니다. 예상치 못한 100,001번째 예외 상황이 발생하면 로봇은 얼어붙거나 오작동을 일으켰습니다. 인간의 지식을 규칙으로 받아적는 방식으로는 피지컬 AI의 두뇌를 만들 수 없다는 것이 증명된 셈입니다.

하드웨어와 소프트웨어의 주객전도 현상

이 과정에서 흥미로운 역사적 현상이 발생합니다. 소프트웨어(AI 알고리즘)로 현실의 유연한 대처가 불가능해지자, 공학자들은 역으로 하드웨어를 '극단적으로 통제하는 방식'으로 문제를 해결하려 했습니다.

이것이 바로 오늘날 우리가 흔히 보는 공장의 '산업용 로봇 생산 라인'입니다. 로봇이 불확실성을 감당하지 못하므로, 환경을 100% 통제해 버리는 전략입니다. 작업 대상이 되는 자동차 문짝은 정확히 0.1mm의 오차도 없이 고정된 위치에 컨베이어 벨트를 타고 들어와야 하며, 인간 노동자는 안전을 위해 노란색 펜스 밖으로 격리됩니다. 조명도 일정하게 유지됩니다.

이 방식은 대량 생산에는 성공적이었지만, 이것을 진정한 의미의 '지능형 피지컬 AI'라고 부르기는 어려웠습니다. 환경이 조금만 바뀌어도(예: 물건의 위치가 5cm만 틀어져도) 로봇은 엉뚱한 허공에 용접을 해버리는 치명적인 한계를 가졌기 때문입니다. 로봇공학은 발전했지만, 인공지능과의 결합은 잠시 끊어진 상태였습니다.

수식의 한계를 깨부순 돌파구: 확률과 피드백 제어

모든 것을 미리 계산하려는 오만을 버리면서 피지컬 AI는 비로소 돌파구를 찾기 시작했습니다. 과학자들은 세상을 확정된 숫자가 아닌 '확률'로 바라보기 시작했습니다.

대표적인 돌파구가 바로 '칼만 필터(Kalman Filter)'와 같은 확률적 상태 추정 알고리즘의 도입이었습니다. "센서 값이 10cm라고 알려주었지만, 오차 범위를 고려할 때 실제 거리는 9.8cm에서 10.2cm 사이일 확률이 높다"는 식으로 불완전한 데이터를 받아들이고, 끊임없이 현재 상태를 보정하는 방식입니다.

여기에 실시간 '피드백 제어(Feedback Control)'가 고도화되었습니다. 미리 짜인 궤적을 맹목적으로 따르는 것이 아니라, 로봇 손가락 끝에 달린 압력 센서를 통해 "지금 물건이 미끄러지고 있다"는 감각 데이터가 들어오면 실시간으로 힘을 미세하게 조절하는 루프 시스템이 안착했습니다.

이러한 제어공학의 수학적 성숙은 훗날 딥러닝이라는 강력한 데이터 기반 학습 알고리즘이 들어왔을 때, 로봇이 현실 세계에서 미끄러지거나 넘어지지 않고 버텨줄 수 있는 단단한 기초 뼈대가 되었습니다.

2편 핵심 요약

• 초기 피지컬 AI는 모든 물리 법칙을 완벽한 수식으로 제어하려 했던 '규칙 기반 제어'의 한계에 부딪혔습니다.

• 현실의 변수(마찰력, 센서 노이즈, 무한한 예외 상황)는 인간이 코드로 모두 예측하여 방어하는 것이 불가능했습니다.

• 이를 극복하기 위해 환경을 극단적으로 통제하는 산업용 로봇이 먼저 발전했으며, 이후 세상을 확률로 계산하고 실시간으로 보정하는 피드백 제어 기술이 도입되며 돌파구를 마련했습니다.

다음 편 예고

로봇이 현실과 소통하기 위해 수학적 제어 시스템을 갖추었다면, 이제는 세상을 제대로 '바라볼 눈'이 필요합니다. 다음 3편에서는 피지컬 AI의 시각과 감각을 책임지는 '피지컬 AI의 눈과 귀: 센서 데이터(LiDAR, 카메라) 처리의 진화'에 대해 흥미롭게 파악해 보겠습니다.

여러분의 생각은 어떠신가요?

완벽하게 짜인 규칙보다 상황에 맞게 유연하게 대처하는 능력이 로봇에게도 필요하다는 점, 흥미롭지 않으신가요? 과거의 펜스 안에 갇힌 공장 로봇을 보며 느꼈던 생각이나 의견을 댓글로 나누어 주세요!