[로봇 학습의 이해 ①] 로봇 제어와 행동 생성

로봇이라고 하면 보통 공장에서 팔을 흔들며 반복 작업을 하는 기계를 먼저 떠올리게 됩니다.
혹은 식당에서 음식을 나르는 서비스 로봇, 청소를 하는 이동 로봇 정도를 생각할 수도 있습니다.
그런데 조금만 더 들어가 보면, 로봇을 진짜 어렵게 만드는 건 단순히 “움직인다”는 사실이 아닙니다.

진짜 어려운 지점은 따로 있습니다.
언제, 어디로, 어떤 방식으로 움직여야 하는지를 스스로 결정하는 것, 바로 이 부분입니다.

겉으로 보면 로봇은 그냥 정해진 동작을 수행하는 기계처럼 보일 수 있습니다.
다만 실제 현장에서는 상황이 그렇게 단순하지 않습니다.
물체의 위치가 조금 달라질 수도 있고, 사람과 같은 공간에서 함께 일해야 할 수도 있고, 예상하지 못한 장애물이 갑자기 등장할 수도 있습니다.
이때 필요한 것이 바로 로봇 행동 생성이라는 관점입니다.

이번 글에서는 로봇을 처음 접하는 분들을 위해,
로봇이 무엇인지부터 시작해서 제어 방식의 차이, 그리고 왜 최근에는 AI 기반 행동 생성이 중요해지는지까지 차근차근 정리해보겠습니다.

---

로봇은 무엇일까

가장 단순하게 말하면 로봇은 스스로 혹은 반자동으로 작업을 수행하는 기계 시스템입니다.
여기서 중요한 것은 단순한 기계장치가 아니라, 센서를 통해 상태를 파악하고, 제어기를 통해 동작을 만들며, 목적을 가지고 행동한다는 점입니다.

예를 들어 산업 현장에서 쓰이는 로봇 팔을 떠올려보면 이해가 쉽습니다.
겉보기에는 그저 팔 모양의 기계처럼 보이지만, 내부에서는 꽤 많은 요소가 함께 움직입니다.

• 관절을 회전시키는 모터
• 모터의 회전량을 정밀하게 측정하는 엔코더
• 힘과 속도를 조절하는 드라이버
• 목표 자세를 계산하는 제어기
• 말단에서 물체를 잡는 그리퍼

즉, 로봇은 하나의 부품이 아니라 인지, 계산, 구동이 연결된 시스템이라고 보는 편이 더 정확합니다.

조금 쉽게 비유해보면,
사람이 물건을 집을 때도 그냥 팔만 움직이지는 않습니다.
먼저 눈으로 위치를 보고, 손을 어디로 뻗을지 판단하고, 손가락 힘을 조절해서 물건을 잡습니다.
로봇도 비슷합니다. 다만 사람처럼 자연스럽게 해내지 못하기 때문에, 그 과정을 훨씬 더 세밀하게 설계해줘야 합니다.

---

산업용 로봇과 협동로봇은 어떻게 다를까

로봇을 처음 공부할 때 가장 먼저 헷갈리는 부분 중 하나가 바로 이 차이입니다.
둘 다 로봇 팔처럼 보이기 때문에 겉모습만 보면 비슷해 보일 수 있습니다.
그런데 설계 철학은 꽤 다릅니다.

산업용 로봇

산업용 로봇은 보통 속도, 반복 정밀도, 생산성을 매우 중요하게 생각합니다.
용접, 조립, 팔레타이징처럼 같은 작업을 아주 많이 반복해야 하는 환경에서 강점을 보입니다.

이런 로봇은 대체로 힘이 세고 빠릅니다.
그래서 사람이 가까이 들어가면 위험할 수 있고, 실제 현장에서는 안전 펜스 안에서 동작하는 경우가 많습니다.

협동로봇

반면 협동로봇은 사람과 같은 공간에서 함께 작업할 수 있도록 설계된 로봇입니다.
여기서는 단순히 빠르고 강한 것보다, 외력을 감지하고 부드럽게 반응하며 안전하게 멈출 수 있는 능력이 중요해집니다.

예를 들어 사람이 옆에서 부품을 넘겨주고, 로봇이 이를 받아 단순 조립을 수행하는 장면을 떠올려보면 됩니다.
이 경우 로봇은 생산성도 중요하지만, 무엇보다 사람과 충돌했을 때 위험하지 않아야 합니다.

결국 둘의 차이는 단순히 “어디서 쓰이느냐”가 아니라,
행동을 만드는 방식과 제어 목표 자체가 다르다는 데 있습니다.

---

로봇은 어떻게 움직일까

이제 조금 더 안쪽으로 들어가 보겠습니다.
로봇이 움직이려면 “움직여”라는 말만으로는 부족합니다.
로봇은 어느 관절을 얼마나 회전시켜야 하는지, 어느 속도로 움직여야 하는지, 어느 시점에 멈춰야 하는지를 모두 수치로 받아야 합니다.

여기서 핵심이 되는 개념이 제어입니다.

경로와 궤적

로봇이 어떤 목표 지점으로 이동한다고 할 때, 단순히 시작점과 끝점만 정하는 것이 아닙니다.
중간에 어떤 자세를 거치고, 얼마나 부드럽게 움직일지까지 포함해서 전체 움직임을 설계해야 합니다.

이 과정을 보통 trajectory generation, 즉 궤적 생성이라고 부릅니다.
다시 말해 로봇은 “어디로 갈까”뿐 아니라, **“어떻게 갈까”**도 함께 계산해야 합니다.

모션 제어기

이렇게 만들어진 목표 각도나 속도를 실제 모터에 전달하는 역할을 하는 것이 모션 제어기입니다.
모션 제어기는 각 관절이 지금 어디 있는지 읽고, 목표 상태와 비교해서, 필요한 명령을 계속 보냅니다.

사람으로 비유하면 뇌가 “팔을 이 정도로 들어”라고 명령하고, 근육과 신경계가 그 명령을 계속 따라가도록 조절하는 것과 비슷합니다.

---

위치 제어와 토크 제어

로봇을 공부하다 보면 자주 보게 되는 표현이 있습니다.
바로 위치 제어와 토크 제어입니다.
둘 다 로봇을 움직이게 만들지만, 무엇을 직접 다루느냐가 다릅니다.

위치 제어

위치 제어는 말 그대로 목표 위치나 목표 각도를 기준으로 움직이는 방식입니다.
예를 들어 “1번 관절을 30도까지 회전시켜라”처럼 명령하는 방식입니다.

이 방법의 장점은 이해하기 쉽고 구현도 비교적 직관적이라는 점입니다.
정해진 경로를 반복적으로 수행하는 산업 환경에서는 특히 강력합니다.
같은 동작을 높은 정밀도로 여러 번 반복하는 데 유리하기 때문입니다.

다만 한계도 있습니다.
로봇이 물체와 부딪히거나, 예상하지 못한 외력이 들어와도, 단순 위치 제어만으로는 상황에 부드럽게 대응하기 어렵습니다.
명령된 자세를 계속 따라가려 하기 때문에, 충돌 상황에서 동작이 딱딱해질 수 있습니다.

토크 제어

반면 토크 제어는 얼마나 힘을 줄 것인가를 직접 다루는 방식입니다.
여기서는 로봇이 단순히 목표 위치를 맞추는 것이 아니라, 외력에 어떻게 반응할지도 함께 고려하게 됩니다.

예를 들어 사람이 로봇 팔을 살짝 밀었을 때,
위치 제어 중심 로봇은 “원래 경로로 돌아가야 해”라고 반응하기 쉽고,
토크 제어 기반 시스템은 “지금 외력이 들어왔으니 조금 부드럽게 반응해야겠다”는 식으로 설계할 수 있습니다.

이 차이 때문에 협동로봇, 햅틱 장치, 섬세한 조작 작업에서는 토크 제어나 순응 제어가 중요해집니다.

---

순응 제어는 왜 중요할까

여기서 한 단계 더 나아가면 순응 제어(Compliant Control) 라는 개념이 등장합니다.
이 표현은 처음 보면 조금 낯설 수 있지만, 직관은 꽤 단순합니다.

순응 제어는 로봇이 환경과 부딪혔을 때 딱딱하게 버티는 대신, 어느 정도 부드럽게 따라가도록 만드는 제어 방식입니다.

예를 들어 사람이 로봇의 팔을 손으로 잡고 직접 위치를 가르쳐주는 핸드 티칭 상황을 생각해보겠습니다.
이때 로봇이 너무 딱딱하면 사람이 움직이기 어렵고 위험합니다.
반대로 적절히 순응성이 있으면 사람이 로봇을 자연스럽게 이끌 수 있습니다.

이 개념은 사람과 함께 일하는 로봇에서 특히 중요합니다.
결국 로봇이 현실 세계에서 잘 동작한다는 것은, 단순히 목표 위치에 정확히 가는 것만이 아니라
예상하지 못한 접촉과 변화에도 자연스럽게 반응할 수 있다는 뜻이기 때문입니다.

---

그런데 왜 기존 방식만으로는 부족할까

여기까지 보면 이런 생각이 들 수 있습니다.

“그렇다면 제어기를 잘 만들고, 경로를 잘 계산하면 끝나는 것 아닌가?”

사실 많은 산업 환경에서는 지금도 그런 방식이 잘 작동합니다.
문제는 우리가 로봇에게 원하는 일이 점점 더 복잡해지고 있다는 점입니다.

예를 들어 아래와 같은 상황을 생각해볼 수 있습니다.

• 테이블 위 컵의 위치가 매번 조금씩 달라진다.
• 주변에 예상하지 못한 물체가 함께 놓여 있다.
• 사람의 말로 들어온 요청에 따라 작업 목표가 바뀐다.
• 집어야 하는 물체의 재질과 크기가 일정하지 않다.
• 단순 반복이 아니라 상황에 맞는 판단이 필요하다.

이쯤 되면 더 이상 “규칙 몇 개”만으로는 모든 경우를 처리하기 어렵습니다.
로봇이 해야 할 일은 단순 실행이 아니라,
상황을 보고, 의미를 해석하고, 적절한 행동을 선택하는 것에 가까워집니다.

바로 이 지점에서 로봇 행동 생성이라는 표현이 중요해집니다.

---

룰 기반 로봇과 AI 기반 로봇의 차이

전통적인 로봇 시스템은 대체로 룰 기반(rule-based) 방식에 가깝습니다.
즉, 사람이 미리 조건과 절차를 정해두고, 로봇은 그 규칙에 맞춰 동작합니다.

이 접근은 잘 정리된 환경에서는 매우 강력합니다.
공정이 일정하고, 입력이 예측 가능하며, 목표가 고정되어 있다면 룰 기반 시스템은 안정적이고 효율적입니다.

하지만 현실은 생각보다 훨씬 지저분합니다.
조명도 바뀌고, 물체 위치도 조금씩 달라지고, 사람의 요청도 항상 같은 표현으로 들어오지 않습니다.
이럴 때는 규칙을 계속 추가하는 방식이 금방 복잡해집니다.

룰 기반 방식의 특징

• 명확한 환경에서 강함
• 동작 원리가 비교적 해석 가능함
• 예외 상황이 많아질수록 유지보수가 어려워짐

AI 기반 방식의 특징

• 데이터로부터 패턴을 학습할 수 있음
• 센서 입력이 조금 달라져도 일반화 가능성이 있음
• 복잡한 상황 판단과 행동 선택에 유리함
• 대신 학습 데이터, 모델 구조, 평가 방식이 중요함

여기서 중요한 것은
AI 기반이 룰 기반을 완전히 대체한다기보다,
기존 제어와 계획 위에 더 높은 수준의 판단과 행동 선택 능력을 얹는 방향으로 발전하고 있다는 점입니다.

---

로봇 행동 생성이란 무엇일까

이제 핵심 표현을 정리해보겠습니다.

로봇 행동 생성은 단순히 모터를 움직이는 기술만을 뜻하지 않습니다.
더 정확히는, 현재의 상태와 목표를 바탕으로 다음 행동을 만들어내는 과정 전체를 말합니다.

이 과정에는 여러 단계가 들어갈 수 있습니다.

• 현재 환경을 인식하기
• 목표를 해석하기
• 가능한 행동 후보를 생각하기
• 그중 적절한 행동을 선택하기
• 실제 제어 명령으로 변환하기

예를 들어 “컵을 집어서 오른쪽 트레이에 놓아라”라는 작업 하나만 해도,
로봇은 먼저 컵이 어디 있는지 찾아야 하고,
손을 어디로 가져갈지 정해야 하고,
얼마나 힘을 줄지 판단해야 하고,
이동 중 충돌은 없는지도 확인해야 합니다.

즉, 행동 생성은 하나의 알고리즘 이름이라기보다
로봇 지능 전체를 바라보는 관점에 가깝습니다.

---

최근 로봇이 다시 주목받는 이유

최근 로보틱스에서 자주 등장하는 키워드 중 하나가 LLM, VLM, VLA 같은 표현입니다.
처음 보면 조금 복잡해 보이지만, 흐름은 비교적 분명합니다.

LLM

텍스트를 이해하고 생성하는 모델입니다.
사람의 지시를 해석하거나, 작업 단계를 언어적으로 계획하는 데 도움을 줄 수 있습니다.

VLM

이미지와 텍스트를 함께 다루는 모델입니다.
즉, 로봇이 보고 있는 장면과 사람이 말한 요청을 함께 이해하는 데 유리합니다.

VLA

Vision-Language-Action의 줄임말로,
시각 정보와 언어 지시를 받아 실제 행동까지 연결하려는 방향입니다.

이 흐름이 중요한 이유는,
로봇이 단순히 “정해진 좌표로 이동하는 기계”에서
사람의 요구를 이해하고 상황에 맞는 행동을 만들어내는 시스템으로 바뀌고 있기 때문입니다.

물론 아직은 해결해야 할 문제가 많습니다.
실제 환경은 데이터셋보다 훨씬 복잡하고, 안전성과 신뢰성도 매우 중요합니다.
다만 방향 자체는 분명해 보입니다.
로봇은 점점 더 제어 중심 기계에서 인지와 행동 생성이 결합된 시스템으로 이동하고 있습니다.

---

마무리

로봇을 처음 공부할 때는 종종 “로봇을 움직이는 법”만 먼저 떠올리게 됩니다.
하지만 실제로는 그보다 더 중요한 질문이 있습니다.

로봇은 어떤 상황에서 어떤 행동을 선택해야 하는가.

이 질문에 답하려면 단순 모터 제어만으로는 부족합니다.
로봇의 구조를 이해해야 하고, 제어 방식을 알아야 하며, 환경에 따라 행동을 바꿀 수 있는 지능적 요소까지 함께 봐야 합니다.

그래서 로보틱스를 공부할 때는 로봇을 단순한 기계장치로 보기보다,
인지, 판단, 제어, 행동이 연결된 시스템으로 보는 시각이 중요합니다.

이번 글은 그 전체 흐름의 출발점이라고 생각하시면 됩니다.
다음 글에서는 왜 이런 로봇 학습이 현실 로봇보다 시뮬레이터에서 먼저 이루어지는지, 그리고 시뮬레이션이 로봇 개발에서 왜 그렇게 중요한 역할을 하는지 이어서 정리해보겠습니다.