창고 바닥에서 단 한 대의 자율이동로봇을 운행하는 것은 이미 해결된 문제다. 백 대를 동시에 협업시키는 것은 아니다. 멀티 에이전트 AMR 플릿 스케줄링은 끊임없이 바뀌는 작업 흐름을, 서로 방해만 하는 이동 실행자 집단에 배분하는 학문이다 — 누가 어떤 작업을 맡을지, 각 로봇이 어떤 경로로 갈지, 모든 교차로에서 누가 양보할지를 정한다. 이는 알고리즘의 문제인 동시에 조직의 문제다.
현상: 스케줄링 문제는 플릿 규모와 함께 커진다
AMR 도입 밀도는 지난 10년간 단계적으로 변했다. 2012년 아마존의 Kiva Systems $775 million 인수는 그 출발점으로 널리 인식된다. 2024년 아마존은 700,000대를 넘는 창고 로봇 플릿을 공개했고, Geek+와 Hikrobot 같은 벤더는 단일 시설 수백 대 도입을 일상적으로 수행한다. 로봇이 "소수 파일럿"에서 "플릿"으로 넘어가면서 스케줄링은 단일 로봇 내비게이션 문제에서 멀티 에이전트 협업 문제로 졸업했다.
이 졸업이 왜 중요한가. 단일 로봇 내비게이션은 "차량 한 대가 A에서 B로 어떻게 가는가"에 답하지만, 플릿 스케줄링은 결합된 세 가지 질문에 동시에 답해야 하기 때문이다 — 작업 배분(어떤 작업이 어느 로봇에게), 경로 계획(각 로봇이 어떤 경로로), 충돌 해소(두 로봇이 같은 교차로를 원할 때 누가 양보할 것인가). 셋은 얽혀 있다: 통로가 막히면 아무리 영리한 배분도 무가치고, 플릿의 절반이 노는데 나머지 절반이 줄을 서면 가장 매끄러운 경로도 무의미하다.
멀티 에이전트 플릿 스케줄링의 세 가지 접근법: 중앙 집중형, 분산형, 학습 기반
멀티 에이전트 AMR 플릿 스케줄링의 연구와 업계 실무는 대략 세 가지 공략 방향으로 수렴했다. 최선에서 최악으로의 단순한 서열이 아니라, 불확실성을 대하는 세 가지 다른 세계관을 대변한다.
접근법 1: 중앙 집중 최적화 — 바닥 전체의 두뇌를 하나로
중앙 스케줄러가 글로벌 상태를 쥔다: 모든 대기 작업, 각 로봇의 위치, 배터리 잔량, 적재량. 작업 배정은 보통 배정 알고리즘(헝가리안식 방법과 그 변형)으로 풀고, 경로 계획에는 시간 확장 A*나 CBS(Conflict-Based Search) 같은 충돌 고려 기법을 쓴다. 모든 결정은 한 곳에서 계산되어 플릿에 전달된다.
매력은 결정성이다. 글로벌 정보를 손에 쥔 스케줄러는 원리적으로 가장 높은 처리량의 해를 계산할 수 있다. 의사결정 과정은 로그에 남고, 재현 가능하고 감사 가능하다 — 엄격한 안전 규정 준수가 요구되는 환경에서는 진짜 장점이다.
비용도 마찬가지로 명확하다. 첫째, 계산 복잡도: 작업 배분은 조합 문제라 플릿이 커지면 풀이 시간이 폭증해 휴리스틱과 리시딩 호라이즌으로 계산을 제한할 수밖에 없고 — 그 시점에서 "전역 최적"은 근사치가 된다. 둘째, 단일 장애점의 취약성: 중앙 스케줄러가 멈추거나 네트워크가 흔들리면 플릿 거동은 급격히 악화된다. 셋째, 이 접근법은 거의 완전한 정보를 전제하지만 실제 창고가 내놓는 것은 정반대다: 작업 도착은 확률적이고, 와이파이는 불안정하고, 로봇은 고장 난다.
지난해 캘리포니아 인랜드 엠파이어의 한 이커머스 풀필먼트 창고를 방문했을 때 교과서 같은 사례를 봤다. 중앙 집중 스케줄링 하에 약 120대의 선반 운반 AMR이 가동 중이었고, 시뮬레이션에서는 놀랍도록 낮은 공차 운행율을 보였다. 실제 운영에서는 WMS의 버스트성 작업 도착이 끊임없는 재계획을 강제했고, 피크 시즌 — 하루 약 20,000 주문 — 에는 "계산이 안 된다"는 이유로 단순한 규칙으로 반복해서 폴백했다. 중앙 집중 최적화는 천장이 가장 높지만, 입력 품질에 대한 요구가 실제 창고가 공급할 수 있는 수준을 일상적으로 웃돈다.
접근법 2: 분산 협상 — 각 로봇이 예의 바르게 제 잇속만
분산형은 결정을 아래로 밀어낸다: 각 AMR이 독립 에이전트로 행동하며 경매나 입찰 메커니즘(최저가 낙찰)으로 작업을 따내고, 교차로 충돌은 우선순위 규칙이나 로컬 협상으로 처리한다. 중앙 두뇌는 없다. 로봇은 필요한 정보만 교환한다.
강점은 견고성과 확장성이다: 로봇을 늘리는 것은 노드를 늘리는 것이며 중앙 모델을 다시 만들 필요가 없다. 한 대의 고장은 국소적으로 머문다. 통신 장애 허용도가 높다 — 연결이 끊긴 로봇은 그 자리에서 얼어붙는 대신 로컬 규칙을 따라 계속 움직일 수 있다.
대가는 국소 최적이다. 각 로봇은 이웃만 보므로 집단 행동은 열등한 균형에 안착할 수 있다 — 여러 로봇이 같은 인기 피킹 존에 몰려 막히거나, 좁은 통로에서 예의 바르게 교착 상태에 빠져 먼저 움직일 차례를 서로 기다리거나. 더 어려운 것은 설명 가능성이다: 분산 시스템의 창발적 행동은 예측을 거부하고, 사고 후 리뷰는 "누가 먼저 움직였는지"를 아무도 정확히 말하지 못한 채 끝나기 일쑤다.
중국 동부의 한 3C 유통 센터는 대표적인 사례다: 2023년 경매 기반 분산 스케줄링으로 약 80대의 분류 AMR이 가동 개시했다. 일상 운영은 매끄러웠고 확장은 정말 쉬웠다. 하지만 프로모션 피크에 작업 밀도가 두 배가 되자 교차로에서의 협상 오버헤드가 눈에 띄게 늘었고, 인간이 정의한 우선 통로가 교착을 깨기 전까지 로봇들이 서로를 기다리는 국면이 이어졌다. 분산형은 "관리 없음"을 뜻하지 않는다 — 복잡성을 중앙 알고리즘에서 규칙 설계와 예외 처리로 옮길 뿐이다.
접근법 3: 학습 기반 정책 — 플릿이 스스로 협업을 배우게 하기
세 번째 길은 멀티 에이전트 강화학습(MARL)이다: 수백의 에이전트가 시뮬레이션에서 연습을 거듭해 협업 전략에 수렴하고, 이를 물리 로봇에 배포한다. 이론상으로는 인간 엔지니어가 설계하지 않을 협업 패턴 — 이를테면 어떤 양보의 리듬 — 을 발견할 수 있고, 동적 환경에도 자연스럽게 적응한다.
하지만 이 접근법과 대규모 배포 사이에는 몇 가지 허들이 있다. 첫째는 sim-to-real 격차다: 시뮬레이션에서 훌륭하게 동작하는 정책이 실기에서는 센서 노이즈, 바닥 마찰, 적재량 편차 앞에서 실패할 수 있고, sim-to-real 전이를 해본 사람이라면 누구나 안다 — 마지막 1마일의 튜닝이 훈련 그 자체보다 비싼 경우가 많다. 둘째는 블랙박스 문제다: 신경망 정책은 감사를 거부해 인간-로봇 공존 구역 같은 안전 핵심(safety-critical) 환경에서는 인증이 어렵다. 셋째는 훈련 비용이다: 대규모 MARL은 큰 컴퓨팅을 요구하지만 그 대가는 여전히 불확실하다.
그래서 오늘날의 진짜 패턴은 이렇다: 학습 기반 기법은 주로 "예측" 레이어 — 작업 도착 예측, 혼잡 예측 — 에 등장하고, 결정 자체를 맡지는 않는다. AI를 지휘관으로 승격시키기 전에 먼저 조언자로 쓰게 하는 것이 더 현실적인 엔지니어링의 길이다.
플릿 스케줄링 접근법 고르기: 은 탄환은 없고 적합만 있다
멀티 에이전트 AMR 플릿 스케줄링의 세 가지 접근법을 나란히 비교하면 선택의 논리가 더 명확해진다:
| 차원 | 중앙 집중 최적화 | 분산 협상 | 학습 기반 정책 |
|---|---|---|---|
| 의사결정자 | 중앙 스케줄러 | 각 로봇이 독립적으로 | 훈련된 그룹 정책 |
| 플릿 규모 | 소~중규모에서 최상; 초대규모에서는 디그레이드 필요 | 확장성이 최상; 로봇 추가=노드 추가 | 규모가 커질수록 훈련이 어려움 |
| 반응성 | 재계획 지연이 병목 | 로컬 응답이 빠름 | 추론은 빠르나 모델 품질 의존 |
| 단일 장애점 | 취약; 중앙 정지는 전체에 파급 | 견고; 장애는 국소화 | 배포 아키텍처 의존 |
| 설명 가능성/감사 가능성 | 강함; 결정은 재현 가능 | 약함; 창발적 행동은 예측 곤란 | 가장 약함; 블랙박스 |
| 배포 성숙도 | 가장 높음; 주류 벤더의 표준 | 중간; 신중한 규칙 설계 필요 | 가장 낮음; 거의 파일럿 |
직관에 반하는 판단을 하나 강조하고 싶다: 시뮬레이션에서 가장 높은 처리량을 낸 접근법이 실운영에서도 이긴다고는 한정할 수 없다. 중앙 집중형의 "전역 최적"은 두 가지 전제 — 완전한 정보와 즉각적인 계산 — 위에 서 있지만, 실제 창고는 둘 다 크게 할인한다. 빠르게 반응하고 우아하게 디그레이드되는 열등 설계 — 이를테면 중앙 집중형의 거친 작업 배분과 분산형의 로컬 충돌 해소의 결합 — 은 깨지기 쉬운 최적 설계를 종종 능가한다. 엔지니어링에서 "나쁜 조건에서 무너지지 않는 것"은 "좋은 조건에서 최적인 것"보다 가치가 있다.
또 하나 과소평가되는 사실: 스케줄링 알고리즘 자체가 배포 난이도에서 차지하는 비중은 아마 30% 정도다. 나머지 70%는 충전 전략, 지도 조닝, WMS 및 현장 오퍼레이터와의 연계(작업 입도, 예외의 책임 소재)다. CBS를 완벽하게 튜닝한 알고리즘 팀이 충전 도크 부족으로 처리량을 막힌 프로젝트를, 나는 하나가 아니라 여럿 봐 왔다. 플릿 스케줄링은 결코 알고리즘만의 문제가 아니었다.
전망: 지금은 하이브리드 아키텍처, 학습 기반은 장기 변수로
인과적으로 보면 세 가지 접근법은 불확실성에 대한 세 가지 태도를 체현한다: 중앙 집중형은 계산으로 불확실성을 제거하고, 분산형은 중복성으로 견디며, 학습 기반은 데이터로 적응한다. 단기적으로는 하이브리드 아키텍처(중앙의 거친 배분 + 분산 로컬 해소)가 배포를 지배하며 감사 가능성과 견고성의 수용 가능한 균형을 잡을 것이다. 학습 기반 컴포넌트는 판단으로 옮겨가기 전에 예측과 시뮬레이션 튜닝부터 들어올 것이다.
더 멀리 보면, 열린 질문이 있다: AMR 대수가 계속 늘고 휴머노이드 로봇, 무인 지게차, 자율 트럭이 같은 바닥에 합류하면서 "플릿 스케줄링"의 경계는 "하나의 장비 클래스"에서 "사이트 전체의 교통 운영 체제"로 확장될까? 그날이 오면 스케줄러는 균질한 플릿이 아니라 이종의 교통 참여자를 조율하게 될 것이다 — 오늘날의 세 가지 접근법보다 더 큰 패러다임 전환일 수도 있다. 지금으로서는 이 질문에 표준적인 답이 없다.
Dr. Chen, 공급망 연구자 지음
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
