RCS 작업 우선순위: 웨이브 작업, 긴급 주문, 충전의 균형 맞추기

RCS 작업 우선순위는 소규모 플릿 시대에는 문제가 아니었다. 로봇이 열두 대쯤 되면 선착순이 충분히 잘 돌아갔다: 배터리가 낮으면 충전하러 가면 됐고, 긴급 주문은 손으로 끼워 넣어도 아무것도 깨지지 않았다. 하지만 플릿이 일정 임계값을 넘으면 스케줄링은 더 이상 배차가 아니라 진짜 트레이드오프가 된다. 웨이브 작업에는 처리량이, 긴급 주문에는 리드타임이, 충전에는 플릿의 가동 유지가 필요하고——세 가지 모두 같은 로봇을 놓고 경쟁한다. WMS와 플릿 사이에 있는 로봇 제어 시스템인 RCS는 매일 이 세 가지 작업 유형에 용량을 배분하며 보낸다.

플릿이 커지면 RCS 작업 우선순위는 현실 문제가 된다

데이터부터 보자. Interact Analysis에 따르면 모바일 로봇의 누적 출하량은 2025년 말까지 2.1 million 대에 육박해 약 $18 billion의 매출을 나타냈고, 한편 모바일 로봇을 도입하는 고객 사이트 수는 2020년 9,000여 곳에서 53,000곳 이상으로 늘었다. 지난 5년간 업계의 이야기는 "파일럿용 수십 대"에서 "운영 단위로서의 플릿"으로의 이동이었다.

하지만 같은 회사는 2025년 중반 업데이트에서 전망을 하향 조정했다: 그 해 AMR 전망을 $800 million 삭감하고, 5년 복합 성장률을 26%에서 21%로 낮췄으며, 관세 혼란과 고객 자본지출의 관망 심리를 이유로 2030년 매출 전망을 $15.6 billion으로 낮췄다. 이 하향 조정은 잠시 멈춰 생각해볼 만하다. 스케줄링 문제가 작아지고 있다는 뜻이 결코 아니다——오히려 반대다. 확장이 둔화되는 해에는 운영자가 이미 보유한 플릿에서 더 높은 가동률을 쥐어짜려 하고, 가동률이 높을수록 작업 유형 간 충돌은 더 첨예해진다.

두 번째 신호는 Amazon에서 온다. June 2025 이 회사는 300곳이 넘는 시설에 걸친 one-millionth robot 배치를 발표했고, 로봇 움직임을 조정하기 위해 만든 생성형 AI 모델 DeepFleet도 함께 발표했다. 회사는 이 모델이 로봇 이동 효율을 10% 개선할 수 있다고 말한다. 이 수치는 독립적으로 검증된 측정값이 아니라 공급업체의 주장이며, 그 구분이 중요하다. 하지만 방향은 명확하다: 조정 대상이 수십 대의 기계에서 a million으로 커지면 스케줄링은 더 이상 "돌에 새긴 규칙"일 수 없다. 시스템이 배우는 무언가가 되어야 한다.

현실의 딜레마: 긴급 주문이 웨이브의 로봇을 훔칠 때

2024년 피크 시즌을 앞두고 미국 남서부의 한 전자상거래 풀필먼트 창고가 교과서 같은 사례를 맞닥뜨렸다. 대형 프로모션 밤에 긴급 주문이 쏟아졌고, RCS는 선점형 우선순위를 켰다: 우선순위 높은 긴급 작업이 진행 중인 우선순위 낮은 웨이브 작업을 중단시키고 로봇을 빼앗아갈 수 있었다.

마감은 지켜졌고, 그날 밤 긴급 주문은 대체로 제시간에 출고됐다. 대가는 밤 후반에 나타났다. 중단된 웨이브 작업은 계속 밀렸고, 뒤따르는 웨이브는 전부 늦어졌으며, 한때는 피킹 스테이션이 놀고 있는데 오지 않은 상품을 로봇이 기다리고 있었다——차량이 일을 기다린 거지, 그 반대가 아니었다.

이 사례는 놓치기 쉬운 사실을 보여준다: 선점은 공짜가 아니다. 지연을 없애는 게 아니라 옮길 뿐이다. 긴급 주문의 비용을 다른 형태로 웨이브 작업에 떠넘기는 것이다. 우선순위 정책은 본질적으로 시스템 혼잡 비용을 누가 부담할지에 대한 결정이다.

세 가지 RCS 작업 우선순위 전략: 스케줄링 트레이드오프 프레임워크

실무에서 삼자 충돌에 대한 업계의 접근은 비용이 각각 다른 세 가지 큰 전략으로 나뉜다:

어느 것도 정답은 아니다. 내 관찰로는 성숙한 플릿 대부분이 세 번째의 변형을 운영한다: 선점은 허용되지만, 선점당한 쪽은 기아 방지 보호를 받는다——예컨대 웨이브 작업은 정해진 횟수만큼 밀리면 자동으로 우선순위가 올라간다. 중요한 것은 어떤 전략을 고르느냐가 아니라, 어떤 정적 규칙도 어떤 부하에서는 깨진다는 전제를 운영이 받아들이는지, 그리고 정책 자체에 피드백이 필요한지다.

역설적인 것: 충전은 숨겨진 처리량 변수다

세 작업 유형 중 충전은 가장 과소평가하기 쉽다. 직관은 충전이 주문을 만들지 않으니 꼴찌여야 한다고 말한다. 한 창고가 그 직관을 따르고 충전 우선순위를 최저로 설정해 배터리 임계값 아래로 떨어진 로봇만 충전하게 했다.

그러자 피크 시즌 어느 밤, 플릿의 상당수가 거의 동시에 임계값에 도달했다. 충전 스테이션에 줄이 섰고, 새벽 시간대에 플릿 가용성이 절벽처럼 떨어졌으며, 그 사이트의 처리량도 함께 떨어졌다. 엔지니어들의 해법은 역설적이었다: 충전 작업의 우선순위를 올리고, 단편적 기회 충전——로봇이 충전기 앞을 지날 때마다 작업 사이에 틈틈이 충전하는——으로 전환하고, 비피크 시간대의 집중 충전 시간대와 결합했다. 가용성 곡선은 평탄해졌고, 시스템은 더 안정적이 됐지 덜 안정적이 된 게 아니었다.

이 트레이드오프는 곱씹어볼 만하다. 충전 작업의 진짜 비용은 전기가 아니다. 잘못된 타이밍에 한꺼번에 오프라인이 되는 차량이다. 고가동률 플릿에서는 충전은 처리량의 전제 조건이지, 나중에 생각할 일이 아니다. "시간 날 때" 저우선순위 작업으로 취급하면 스케줄에 시한폭탄을 심는 셈이다.

세 작업 유형이 설계상 충돌하는 이유

충돌은 구조적이지, 관리상의 문제가 아니다. 세 작업 유형은 서로 다른 세 시간 척도에 산다: 웨이브 작업은 시간 단위로 계획되고 예측 가능성이 매우 높다; 긴급 주문은 분 단위로 들어오고 본질적으로 예측 불가하다; 충전은 배터리 곡선과 충전기 물리적 대수에 지배되므로 본질적으로는 제약 만족 문제다.

한 층 더 깊이 보면, 목적 함수는 처음부터 일치하지 않았다. 웨이브 작업은 처리량을 최대화하고 싶고, 긴급 주문은 지연을 최소화하고 싶고, 충전은 플릿 가용성을 최대화하고 싶다. RCS는 매일 세 목표에 대한 온라인 트레이드오프를 수행하고, 하나만 최적화하는 규칙——예컨대 "항상 긴급 주문 우선"——은 나머지 두 차원에서 대가를 치른다. 그래서 플릿이 클수록 손으로 쓴 규칙이 길을 잃는 속도도 빠른 것이다.

트렌드 판단: RCS 작업 우선순위는 규칙 엔진에서 학습 기반 최적화로 이동한다

데이터와 사례를 종합하면 내 판단은 이렇다: 향후 3~5년 주류 RCS 스케줄링은 "사람이 규칙을 쓰고 파라미터를 조정"에서 "시뮬레이션에서 학습하고 온라인으로 추론"하는 학습 기반 최적화로 이동할 것이다. 이유는 세 가지: 첫째, 플릿 규모——53,000개 사이트에 2.1 million 대 누적——가 이미 수동 조정을 지속 불가능하게 만들었다; 둘째, Amazon의 DeepFleet 같은 사례는 선도 운영자가 플릿 수준 조정에서 규칙을 모델로 대체하고 있음을 보여준다; 셋째, 성숙한 디지털 트윈 시뮬레이션을 통해 정책은 실제 플릿에 닿기 전에 가상 플릿에서 수천 번의 피크 시즌을 리허설할 수 있다.

다만 이 판단에는 전제 조건이 있다. 학습 기반 스케줄링에는 연료로서 고품질 운영 데이터가 필요하고, 대부분 창고의 데이터 거버넌스는 아직 "그럭저럭 괜찮은" 단계다. 병목은 알고리즘이 아니다. 데이터다.

그러면 열린 질문이 남는다. 스케줄링 정책 자체가 배우는 시스템이 되면, 창고 운영팀은 여전히 수동 우선순위 오버라이드에 손을 얹고 있어야 할까? 그렇다면 어떤 수준에서——몇 개의 가중치 파라미터를 조정하는 정도인지, 아니면 비상시 개별 로봇의 제어권을 직접 가져오는 것인지? 아직 표준 답은 없지만, 그 답은 차세대 RCS 제품이 어떤 모습이 될지를 결정할 가능성이 크다.

Dr. Chen, 공급망 연구자 지음

영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.