ABB Autonomous Versatile Robotics(AVR)는 로봇 한 대나 하나의 foundation model 이름이 아니다. ABB가 2025년 Automatica에서 제시한 방향으로, 인간의 지시를 이해하고, 보고, 계획·재계획하며, 안전하게 움직이고, 위치를 찾고, 도구와 물체를 능숙하게 다루는 여섯 역량을 산업 시스템으로 잇는 프레임이다.
중요한 단절은 ‘자동화된 동작’에서 ‘조건이 바뀌면 관측을 갱신하고 계획을 수정하는 작업’으로 넘어가는 데 있다. 다만 여섯 축이 모두 같은 성숙도는 아니다. OmniCore 같은 상용 controller, Visual SLAM 같은 기능과 AI assistant·vision preview, 향후 VLA 방향을 같은 배치 상태로 묶으면 안 된다.
AVR을 읽는 실무 정의
AVR을 실무적으로 정의하면 ‘작업 목표를 받아 물리 환경을 관측하고, 제약 안에서 행동을 선택하며, 결과를 다시 관측해 계획을 수정하는 산업 robot stack’이다. 자율성은 supervisor가 없는 상태가 아니라 입력·허용 행동·안전·escalation 경계 안에서 결정권을 배분하는 방식이다. 사람은 작업 목적, 위험 limit, 품질 기준과 예외 승인에 남는다.
ABB의 AVR 공식 발표는 여섯 축을 human-robot interaction, sensing·perception, autonomous reasoning·planning·replanning, motion control·safety, localization·mapping·navigation, dexterity로 제시한다. 이 목록은 제품 사양서가 아니라 portfolio와 연구 방향을 묶은 회사 프레임이다.
아키텍처에서는 각 축의 interface를 봐야 한다. 자연어 지시가 task representation으로 바뀌고 perception이 world state를 갱신하며 planner가 skill과 path를 고른다. motion controller와 safety layer가 명령을 제한하고 실행 결과가 다시 model로 돌아온다. 한 모델이 모든 축을 end-to-end로 처리한다고 가정하지 않는다.
AVR과 닮은 용어의 경계
‘자율 로봇’, ‘AI robot’, ‘cobot’, ‘foundation model’은 AVR과 겹치지만 같은 말은 아니다. cobot은 사람과의 협업 운전·안전 설계를 중심으로 한 분류이고, autonomous mobile robot은 주로 이동과 fleet operation에 초점이 있다. foundation model은 perception·reasoning·action 중 일부를 넓은 데이터로 학습하는 model 계층이다. AVR은 이 구성요소가 산업 작업으로 연결되는 시스템 수준의 설명이다.
| 용어 | 주요 질문 | AVR과 겹치는 부분 | 같다고 보면 안 되는 이유 |
|---|---|---|---|
| 산업 자동화 | 정해진 입력에서 정해진 sequence를 반복하는가 | motion·I/O·quality control | 환경 변화에서 스스로 replan하지 않을 수 있음 |
| 협동로봇 | 사람과 공간·작업을 어떻게 안전하게 공유하는가 | interaction, motion safety | 인지·추론·항법·손재주 전체를 보장하지 않음 |
| AMR | 지도에서 이동하고 fleet task를 수행하는가 | SLAM, navigation, replanning | 조작·복잡한 tool use가 없을 수 있음 |
| Robot foundation model | 여러 장면·작업에 전이되는 learned policy인가 | perception, reasoning, VLA | hardware control·safety·integration이 별도임 |
| AVR | 여섯 역량이 산업 KPI와 안전 경계로 이어지는가 | 전체 system interface | 단일 model·제품 또는 인증 등급이 아님 |
이 경계를 지키면 marketing 이름이 비슷한 기능을 구매 목록에 중복해서 넣지 않는다. 예를 들어 Visual SLAM이 있다고 dexterous manipulation이 생기는 것은 아니며 VLA model이 있어도 certified safety motion이 자동으로 완성되지 않는다. 필요한 축을 task별로 선택하고 interface acceptance를 정한다.
ABB가 여섯 축을 묶어 말하게 된 배경
전통 산업 robot은 repeatability가 강점이었다. 정밀 fixture와 teach pendant, PLC sequence로 변화 가능성을 줄이고 같은 path를 오래 반복했다. 이 방식은 높은 throughput과 검증 가능성을 주지만 mixed product, 불규칙 물체와 잦은 changeover에서는 engineering 공수가 커진다. AVR은 이 고정비를 perception·planning과 reusable skill로 줄이려는 흐름에 놓인다.
ABB의 현재 stack에는 OmniCore controller, vision, autonomous mobile robot의 Visual SLAM, simulation과 다양한 robot family가 있다. 공식 발표는 이 기존 제품군을 AI assistant와 learning·reasoning 방향에 연결한다. 이는 역사가 단절돼 완전히 새로운 robot으로 교체된다는 뜻이 아니라 controller와 safety의 결정론적 기반 위에 관측·계획 능력을 더한다는 설명에 가깝다.
산업 자율화의 난점은 demo skill 하나가 아니라 change management다. 제품, tool, 사람 동선과 upstream state가 바뀌면 perception과 planner가 새 조건을 처리해야 하고 기존 안전·품질 proof도 유지해야 한다. 따라서 AVR의 역사적 가치는 ‘AI 기능 추가’보다 고정 자동화 자산과 학습 기반 기능을 공통 lifecycle로 묶는 데 있다.
여섯 역량이 현재 stack에서 연결되는 방식
첫 축은 사람이 programming syntax 대신 목표와 constraint를 더 직접 표현하는 interface다. 둘째 perception은 camera·sensor에서 object, pose, 사람과 상태를 추정한다. 셋째 reasoning·planning은 현재 state와 목표 사이의 skill sequence를 만들고 실패·변화 때 replan한다. 자연어가 곧 motor command가 되지 않도록 승인 가능한 task graph와 constraint를 거친다.
넷째 motion control·safety는 계획을 robot kinematics, collision·speed·force limit 안에서 실행한다. 다섯째 localization·mapping·navigation은 mobile base와 AMR이 site에서 위치를 찾고 경로를 갱신하게 한다. 여섯째 dexterity는 touch·force와 vision을 사용해 grasp, insertion, tool use를 수행한다. 각 계층은 timestamp, version과 failure state를 공유해야 원인을 추적할 수 있다.
ABB OmniCore 공식 제품 페이지를 근거로 controller를 이미 상용화된 기반이라고 말할 수 있지만, AVR 발표 당시 natural-language assistant와 일부 AI vision은 preview로 소개됐다. VLA·end-to-end foundation model도 기술 방향의 일부다. Gemini Robotics On-Device 해설처럼 model 제공 상태와 hardware·safety integration을 별도로 봐야 한다. roadmap 기능을 현재 모든 ABB cell의 기본 능력으로 표현하지 않는다.
여섯 축을 모두 갖춰도 남는 실패 한계
perception이 잘못된 object state를 만들면 planner는 논리적으로 맞지만 물리적으로 틀린 행동을 고를 수 있다. planner가 올바른 skill을 골라도 calibration과 controller 지연 때문에 grasp가 빗나갈 수 있다. motion이 안전 constraint를 지켜도 목표를 잘못 이해하면 품질 실패가 난다. end-to-end 성공률만 보면 어느 축을 고쳐야 하는지 알 수 없다.
자율 replan은 무한 retry가 아니다. 허용되는 variation, retry 횟수, 안전정지와 human escalation을 task마다 정한다. 새로운 물체·layout·software update가 들어오면 기존 skill이 적용 가능한지 confidence와 compatibility를 확인한다. 잘 모르는 상태에서 멈추는 능력이 빠른 행동만큼 중요하다.
데이터 경계도 남는다. camera·force·intervention log를 학습에 쓰려면 고객 data ownership, 보안과 품질 라벨이 필요하다. 서로 다른 site data가 다른 sensor·product 조건을 가질 때 단순히 합치면 model drift가 생긴다. AVR은 데이터 거버넌스와 운영 feedback이 없는 순수 controller upgrade가 아니다.
실무자는 여섯 축을 체크리스트가 아니라 interface test로 읽는다
도입 작업을 고르고 여섯 축 가운데 필요한 것과 필요 없는 것을 표시한다. 고정 jig의 단순 pick-and-place에는 language reasoning이나 SLAM이 불필요할 수 있다. 반대로 mobile manipulation에는 perception, navigation, manipulation과 fleet·human coordination이 함께 필요하다. 모든 축을 산다고 범용성이 생기는 것이 아니라 task 변화에 필요한 축만 연결해야 한다.
- 사람 지시를 승인 가능한 task·constraint로 바꾸고 모호한 명령의 거부 조건을 시험한다.
- perception의 object·pose·사람 상태를 실물 holdout과 실패 유형으로 검증한다.
- planner가 환경 변화와 실패에서 replan하되 retry·escalation limit를 지키는지 본다.
- motion·safety 계층이 AI output을 제한하고 정지·복구 evidence를 남기는지 확인한다.
- SLAM·navigation은 지도 변화, 위치 상실, 통신 단절과 혼합 fleet에서 시험한다.
- dexterity는 물체·공차·접촉·tool 변화별 성공, 손상과 개입을 기록한다.
- 상용 제품, preview, 연구·roadmap을 capability register의 다른 상태로 유지한다.
이렇게 읽으면 AVR은 ‘사람처럼 무엇이든 하는 robot’이라는 모호한 비전에서 벗어난다. 각 축의 입력, 출력, failure owner와 acceptance를 정의한 뒤 system-level task KPI로 다시 합칠 수 있다. 실무적인 자율성은 기능 수가 아니라 예상 밖 상태를 발견하고 안전하게 제한하며 증거를 남기는 능력으로 측정한다.
독자가 이어서 묻는 질문
ABB AVR 여섯 축을 평가하려면 어떤 입력 자료가 필요한가요?
대상 작업의 정상·예외 흐름, 물체·layout variation, robot·sensor·tool·controller 버전, safety·quality constraint와 사람이 개입할 조건이 필요하다. 각 축의 입력·출력·timestamp·failure code와 실물 trial을 연결해야 perception, planning, control 가운데 병목을 구분할 수 있다. 제품 제공 상태도 상용·preview·연구로 표시해야 한다.
여섯 역량이 모두 있어도 AVR이라고 보기 어려운 실패 조건은 무엇인가요?
환경이 조금 바뀔 때 state를 갱신하거나 replan하지 못하고, 잘 모르는 상태에서 멈추지 않으며, AI output을 safety layer가 제한하지 못하면 시스템 수준의 자율성이 닫히지 않았다. 각 축이 demo로 존재해도 interface log와 recovery·acceptance가 없거나 preview 기능을 상용 성능으로 간주하면 현장 배치 근거가 부족하다.
자료 마지막 확인: 2026년 8월 26일