굴착기 피지컬 AI는 카메라로 흙을 보고 정해진 궤적을 반복하는 자동화가 아니다. 버킷이 땅에 닿을 때 생기는 유압 저항과 장비 텔레메트리를 읽고, 한 번 파낼 때마다 달라진 지형을 다시 추정해 다음 궤적을 고르는 폐쇄 루프다. 토양 상태를 잘못 읽거나 유압 반응이 예상과 달라지면 즉시 멈추고 재계획할 수 있어야 현장에서 쓸 수 있다.
굴착기는 움직일수록 작업 환경이 달라진다
창고 로봇은 대체로 바닥과 선반이 유지되는 공간에서 움직인다. 굴착기는 반대다. 버킷이 들어가는 순간 흙이 부서지고 쌓이며 경사와 하중이 달라진다. 눈에 보이지 않는 암석이나 매설물, 수분에 따른 점착성도 같은 궤적에 전혀 다른 반응을 만든다. 어제 만든 지도를 오늘 그대로 따라가는 방식으로는 부족하다.
Gravis Robotics의 Series A 공식 발표는 이 차이를 ‘정적인 세계를 통과하는’ 로봇과 ‘세계를 해체하고 다시 만드는’ 굴착기의 대비로 설명한다. 회사는 다양한 토양을 시뮬레이션하고 장비별 성능 특성을 학습한 월드모델을 실제 기계 텔레메트리와 연결한다고 밝혔다. 이는 Gravis의 기술 설명이며 모든 현장에서 동일한 성능이 독립적으로 확인됐다는 뜻은 아니다.
| 정보 계층 | 시스템이 알아야 할 것 | 잘못 읽었을 때 나타나는 실패 |
|---|---|---|
| 지형·토양 | 표면, 경사, 토질, 수분, 숨은 장애물 가능성 | 버킷 과부하, 목표 깊이 이탈, 붕괴 |
| 장비 상태 | 붐·암·버킷 자세, 유압 압력, 엔진 부하, 미끄러짐 | 궤적과 실제 동작 불일치 |
| 작업 목표 | 굴착선, 목표량, 상차 위치, 금지 구역 | 많이 팠지만 공정 결과는 불량 |
| 안전 상태 | 사람·차량·매설물, 통신, 정지 계통 | 위험 진입 또는 장애 확산 |
토양은 색보다 저항의 변화로 읽는다
카메라와 LiDAR는 지표면 형상과 버킷 위치를 측정하는 데 유용하지만 흙 속 상태를 모두 보여 주지는 못한다. 마른 모래와 젖은 점토, 표면 아래 암석은 비슷하게 보일 수 있다. 굴착 시스템은 버킷이 들어가는 동안 유압 압력, 관절 속도, 엔진 부하, 차체 진동이 어떻게 변하는지를 함께 읽어 토양 반응을 갱신한다.
예상보다 압력이 빨리 오르고 버킷 속도가 떨어지면 더 강한 층이나 장애물을 만났을 가능성이 있다. 이때 힘을 계속 높이는 것은 해답이 아니다. 버킷 각도와 진입 깊이를 줄이거나 다른 지점으로 옮기고, 반복되는 이상은 사람에게 넘겨야 한다. 같은 신호라도 둔덕에 차체가 기울어진 탓일 수 있으므로 자세와 궤도 미끄러짐도 같이 봐야 한다.
토양 분류 이름보다 실제 작업 반응을 기록하는 편이 유용하다. 진입 거리당 압력 상승, 채움률, 버킷에서 흙이 떨어지는 시간, 재굴착 횟수를 작업 좌표에 붙이면 다음 패스의 위험 지도를 만들 수 있다.
버킷 채움률도 단순히 높을수록 좋은 값은 아니다. 한 번에 너무 많이 담으면 상부체 회전 중 차체 안정 여유가 줄고, 덤프트럭에 흙을 쏟는 시간이 늘거나 측면 유실이 생길 수 있다. 자율 시스템은 굴착량과 사이클 시간뿐 아니라 회전 경로의 하중, 트럭 위치, 목표 마감면을 함께 고려해야 한다. 흙을 많이 퍼 올렸지만 지정 구역 밖에 흘렸다면 공정 관점에서는 실패다.
유압 텔레메트리는 명령과 실제 동작의 차이를 보여 준다
굴착기는 전기 모터만으로 움직이는 소형 로봇과 제어 감각이 다르다. 밸브 명령을 줘도 오일 온도와 엔진 회전수, 호스 상태, 하중에 따라 붐과 버킷의 반응이 달라진다. 오래된 장비와 신형 장비, 소형과 대형 장비가 같은 명령에 같은 속도를 내지 않는 이유다.
Gravis Robotics Rack 공식 페이지는 기존 중장비에 제어 키트를 결합하는 접근을 소개하고, 회사 발표는 Gravis Rack이 Caterpillar·Case·Develon·John Deere·JCB·Hitachi·Sumitomo·Yanmar·Volvo 등 여러 브랜드에 설치됐다고 밝힌다. 여러 제조사에 설치됐다는 사실과 각 모델에서 동일한 성능이 보장된다는 주장은 다르다. 장비별 밸브 응답과 센서 품질을 다시 교정해야 한다.
제어기는 목표 관절 궤적과 실제 궤적의 오차를 짧은 주기로 비교한다. 압력 한계를 넘거나 반응 지연이 커지면 속도를 낮추고, 허용 범위 밖에서는 정지한다. 텔레메트리가 끊기거나 값이 고정되면 ‘마지막 정상값’을 믿고 계속 파는 것이 아니라 안전 상태로 전환해야 한다.
장비 적응 시험은 빈 버킷에서 시작해 정격 하중에 가까운 조건으로 넓힌다. 오일이 차가운 아침과 충분히 데워진 오후의 밸브 반응을 따로 측정하고, 센서 교체나 정비 뒤에는 기존 교정값을 그대로 재사용하지 않는다. 제어 모델이 장비 특성을 자동으로 보정한다고 해도 보정 중 허용할 수 있는 오차와 중단 조건이 있어야 한다. 새 기종에 소프트웨어가 실행된다는 사실만으로 현장 작업 범위까지 이전됐다고 판단할 수 없다.
월드모델은 한 번 판 뒤 다음 버킷을 다시 고른다
월드모델은 현재 지형과 장비 상태에서 특정 행동을 했을 때 지면과 버킷이 어떻게 달라질지 예측한다. 목표 체적을 가장 빨리 옮기는 궤적만 고르는 것이 아니라 과부하, 차체 불안정, 주변 장비와의 충돌 가능성을 함께 비교한다. 실행 후에는 새 점군과 텔레메트리로 예측 오차를 계산하고 다음 계획을 고친다.
예를 들어 첫 패스에서 예상보다 흙이 적게 담겼다면 두 번째 패스를 더 깊게 만드는 단순 보정은 위험할 수 있다. 토양이 미끄러졌는지, 버킷이 암석에 밀렸는지, 차체가 이동했는지 원인을 나눠야 한다. 원인이 불확실하면 작은 탐색 동작으로 지면 반응을 확인하고, 계속 불일치하면 작업자를 호출하는 편이 낫다.
Gravis Robotics Slate 공식 페이지는 보조 운전에서 자율 운용까지의 소프트웨어 계층을 설명한다. 회사의 Copilot 모드처럼 사람이 운전석에서 3D 안내와 위험 탐지를 쓰는 방식과, 작업자가 안전한 곳에서 플릿을 감독하는 자율 모드는 같은 자동화 단계가 아니다. 기능별 책임과 개입 시점을 별도로 적어야 한다.
시뮬레이션의 큰 숫자는 실토양 검증을 대신하지 못한다
Gravis는 연질 점토부터 암석이 섞인 토양까지 가상 환경에서 수십억 세제곱야드의 흙을 움직이는 학습을 했다고 설명한다. 현실에서 위험한 조건을 반복하고 장비 크기를 바꿔 보는 데 시뮬레이션이 유리하다는 의미다. 하지만 이는 물리 시뮬레이터 안의 누적량이며 실제 공사 현장에서 같은 양을 자율 굴착했다는 뜻이 아니다.
실기에서는 버킷 마모, 유압 누설, 비와 결빙, 점군 가림, 토양 속 폐기물처럼 모델에 없던 변수가 겹친다. 시뮬레이션을 통과한 정책은 낮은 속도와 얕은 굴착부터 시작해 토질과 장비를 하나씩 넓혀야 한다. 실측에서 예측 오차가 커지는 구간은 다시 시뮬레이션 조건으로 넣되, 평가용 현장 데이터까지 학습에 섞지 않는다.
토질별 통과 여부는 한 번 정하고 끝나는 인증표가 아니다. 같은 흙도 비가 온 다음 날과 건조한 주간의 저항이 달라지고, 굴착 깊이가 내려가면 다른 층이 나타난다. 파일럿에는 토양명 대신 수분 범위, 입도, 경사, 버킷 종류, 허용 깊이를 함께 적고 이 범위를 벗어나면 자동으로 속도를 낮추거나 작업자를 호출하도록 한다. 현장 확대는 성공했던 조건의 경계를 문서화한 뒤 한 변수씩 넓히는 방식이어야 한다.
시뮬레이터의 정밀도를 보여 주려면 멋진 굴착 영상보다 같은 초기 조건에서 버킷 궤적, 압력 곡선, 이동 토량의 분포가 실제와 얼마나 맞는지를 공개해야 한다.
생산성은 한 번의 굴착 속도가 아니라 공정 전체로 잰다
회사가 제시하는 최고 성능은 기준선을 먼저 확인한다. Gravis는 자사 시스템이 최고 수준의 수동 운전과 비교해 현장 생산성을 최대 30% 높였다고 주장한다. ‘최대’ 수치는 특정 장비·토질·작업에서 회사가 측정한 결과이므로 평균 현장 개선율이나 구매 수익률로 바로 넣을 수 없다.
자율 굴착의 KPI는 시간당 이동 토량, 목표 면의 높이 오차, 연료 또는 에너지, 사람 개입 횟수, 재작업, 회수 시간, 안전정지를 한 묶음으로 본다. 굴착 속도가 빨라도 덤프트럭이 오지 않아 대기하거나 마감면을 사람이 다시 고치면 전체 공정은 나아지지 않는다. 비교군도 동일한 장비와 토질, 운반 동선, 교대시간으로 맞춰야 한다.
굴착기 혼자 빠르면 덤프트럭 대기열이 길어질 수 있다. 트럭 도착 간격과 상차 위치가 바뀔 때 굴착기가 안전하게 기다리고 다시 작업을 시작하는지, 측량 결과가 목표면과 어긋나면 어느 패스를 재작업하는지도 공정 시험에 넣는다. 작업자 한 명이 여러 장비를 감독한다면 장비별 개입 시간이 겹친 순간을 별도 기록한다. 생산성은 로봇 한 대의 동작 수가 아니라 현장 전체의 병목이 줄었는지로 판단해야 한다.
| 파일럿 항목 | 같은 조건에서 비교할 지표 | 실패 기준 예시 |
|---|---|---|
| 굴착 품질 | 이동 토량, 목표 깊이·면 오차, 재작업 | 허용 오차 밖의 면이 반복됨 |
| 장비 부담 | 연료, 압력 피크, 온도, 마모·정비 | 수동 기준보다 과부하·정비 증가 |
| 자동화 범위 | 연속 운전 시간, 개입·회수 횟수 | 사람 개입을 빼면 작업이 끝나지 않음 |
| 현장 안전 | 정지 거리, 금지 구역 침범, 통신 장애 대응 | 독립 정지 실패 또는 위험 상태 지속 |
사람과 매설물은 모델 밖의 안전 계층이 지킨다
굴착 현장의 실패는 장비 손상과 인명 사고로 이어질 수 있다. AI가 사람이나 파이프를 보지 못했을 때도 정지할 수 있도록 안전 스캐너, 물리 비상정지, 구역 인터록, 유압 제한을 모델과 분리한다. 작업 지도에 표시된 매설물 정보는 최신 도면과 현장 탐사를 통해 확인하고, 불확실 구역은 자율 작업 범위에서 뺀다.
통신이 끊겼을 때의 행동도 사전에 정한다. 버킷을 든 채 급정지하면 하중이 흔들릴 수 있으므로 장비별 안전 자세와 감속 절차가 필요하다. 원격 감독자가 한 명에 여러 대를 본다면 동시에 두 대가 도움을 요청하는 경우까지 부하 시험을 해야 한다.
현장 작업자는 자동 모드의 시작·중지 조건과 수동 인계 절차를 실제 장비에서 훈련해야 한다. 화면에 표시된 상태와 장비의 실제 자세가 다를 때는 현장 확인을 우선하고, 비상정지 해제 전에는 작업 구역을 다시 비운다. 교대가 바뀌어도 같은 절차를 실행하는지 훈련 기록으로 확인한다.
안전정지가 자주 발생한다고 센서 임계치를 느슨하게 만들면 안 된다. 오탐의 원인을 조명·먼지·진동·센서 설치 위치에서 찾아야 한다. 생산성 지표와 안전 지표를 같은 승인자가 동시에 최적화하면 목표 충돌이 생길 수 있으므로 독립 검토 절차를 둔다.
도입 전에는 한 구역에서 실패 지도를 만든다
첫 파일럿은 넓은 공사장이 아니라 경계가 분명한 한 구역에서 시작한다. 굴착·상차·정지면·트렌치 중 하나만 고르고, 장비 한 대와 토질 두세 종류로 수동 기준선을 만든다. 이후 수분, 경사, 암석, 센서 가림을 하나씩 바꾸며 자동화가 멈추는 지점을 기록한다.
피지컬 AI 기업 생태계, 로봇 시뮬레이터 비교, 로봇 엣지 AI를 함께 보면 공급망과 가상 검증, 현장 연산의 역할을 나눠 볼 수 있다.
계약에는 지원 장비와 제외 조건, 교정 책임, 원격 개입 서비스, 데이터 소유권, 장애 복구 시간까지 포함한다. 발표된 투자와 시연, 제한된 파일럿, 반복 유상 운영은 증거 수준이 다르다. 여러 계절과 교대에서 동일 KPI가 유지되고 작업자가 안전하게 우회·복구할 수 있을 때 비로소 다음 구역으로 넓힌다.
자주 묻는 질문
자율 굴착기는 토양 종류를 미리 알아야 하나요?
초기 토질 정보가 있으면 계획에 도움이 되지만 그것만 믿을 수는 없다. 굴착 중 유압 저항과 장비 움직임을 계속 읽어 지면 모델을 갱신하고, 예상 밖 반응이 반복되면 멈춰야 한다.
시뮬레이션만으로 굴착 모델을 만들 수 있나요?
위험하고 드문 조건을 넓게 학습하는 데 유용하지만 실제 토양·마모·유압 지연과 센서 노이즈가 남는다. 낮은 위험의 실기 시험과 숨긴 현장 평가가 필요하다.
굴착 동작이 자율이면 현장이 무인인가요?
아니다. 작업 구역 설정, 매설물 확인, 덤프트럭 조정, 정비, 원격 감독과 비상 대응에 사람이 남는다. 자동화된 동작과 전체 무인 공사를 구분해야 한다.
확인한 공식 자료
최종 확인: 2026년 8월 23일