우주 로봇의 다음 경쟁력,
검증 가능한 자율성
i-SAIRAS / iSpaRo 2026 예비 프로그램으로 읽는
인지·학습·물리·운용의 재결합
우주 로봇의 성능을 결정하는 것은 개별 알고리즘의 정확도만이 아니다. 그 정확도가 유지되는 조건을 알고, 조건이 무너지면 행동을 조정하며, 제한된 자원 안에서 임무를 이어갈 수 있어야 한다. 올해 프로그램에서 주목할 만한 흐름은 이러한 요구가 인지와 제어를 넘어 시뮬레이션, 다중 로봇 운용, 인터페이스 설계까지 관통한다는 점이다.
1. 프로그램의 규모보다 연구 질문의 연결을 보자
2026년 11월 3–5일 독일 쾰른에서 열릴 i-SAIRAS / iSpaRo 공동 심포지엄의 예비 프로그램에는 기술발표 224건이 실려 있다. i-SAIRAS 표시가 126건, iSpaRo 표시가 98건이며, 기술세션은 38개다. 이 숫자는 프로그램에 기재된 발표 항목을 센 것으로 채택 논문 통계와 같지 않다. 키노트·패널·워크숍도 포함하지 않는다. 두 학회의 발표가 같은 기술세션에 함께 편성되어 있다는 점은, 학회 이름보다 문제의 성격을 따라 프로그램을 읽는 편이 유익함을 보여준다.[1]
공식 세션명으로 묶으면 행성 탐사 로봇의 지능·자율성 계열은 7개 세션, 42건이다. 시험시설·시뮬레이션·디지털 트윈 계열은 4개 세션, 24건이고, 근접운용·랑데부·도킹 계열도 4개 세션, 24건이다. 이 수치는 주제의 경계를 엄밀히 나눈 결과가 아니다. 다른 세션에도 관련 연구가 있다. 그럼에도 ‘자율적으로 움직이기’와 ‘그 움직임을 시험하고 검증하기’가 함께 큰 축을 이룬다는 프로그램의 구조는 확인할 수 있다.[1·집계 근거]
여기서 읽을 수 있는 변화는 단순한 AI 도입 경쟁보다 넓다. 관측이 불완전할 때 얼마나 믿고 움직일 것인가, 학습기가 제안한 행동에 어떤 권한을 줄 것인가, 접촉과 토양의 불확실성을 임무계획까지 어떻게 전달할 것인가가 서로 연결된 연구 질문으로 등장한다. 이 글은 그 연결을 ‘검증 가능한 자율성’이라는 관점에서 해석한다. 이는 모든 상황에서의 안전을 증명했다는 뜻이 아니라, 주장의 적용 범위와 실패 조건을 명시하고 이를 뒷받침할 증거를 함께 설계한다는 뜻이다.
분석 범위는 분명히 해야 한다. 기준 자료는 파일명이 10월 8일이고 표지 날짜가 10월 7일인 예비 프로그램이다. 대부분의 기술발표에는 제목·발표자·소속만 제공된다. 따라서 아래의 사례는 연구 의제를 보여주는 근거이며, 개별 방법의 성능이나 완성도를 평가하는 근거는 아니다. 전년도 프로그램을 같은 방식으로 전수 분석하지 않았으므로 발표 비중이 ‘급증했다’고 주장하지도 않는다. 올해의 연구 지형에서 어떤 질문들이 서로 맞물리는지 살피는 것이 이 글의 목적이다.
2. 인지의 출력은 위치와 지도를 넘어 행동의 조건이 된다
행성 탐사에서 지도는 단순한 기하학적 산출물로 끝나지 않는다. 같은 위치라도 태양 고도와 관측 방향이 바뀌면 영상의 유효한 특징이 달라질 수 있고, 기하학적으로 평탄한 지면도 바퀴가 침하하거나 미끄러지는 위험을 가질 수 있다. 따라서 계획기가 필요로 하는 정보는 ‘장애물이 어디 있는가’뿐 아니라 ‘이 판단을 어느 조건에서 신뢰할 수 있는가’이다. ESA가 설명하는 Rosalind Franklin 로버 역시 스테레오 관측으로 지도를 구성하고 경로를 계산하며, 실행 중에는 근거리 카메라로 충돌 위험을 감시하는 구조를 갖는다. 인지와 행동의 연결 자체는 새로운 발상이 아니다. 올해 주목할 부분은 그 연결에 불확실성과 관측 조건을 더 명시적으로 넣으려는 연구들이다.[2]
프로그램에는 달 극지의 조명 변화에 강한 절대 위치추정, 달·화성 유사 환경의 시각적 장소 인식, 관측 정책을 고려한 달 남극 로버의 위치추정 가능성, 서로 다른 데이터셋 사이의 주행가능성 추정이 함께 등장한다. ‘ExtremeLunar’는 달 남극 암석 분할의 성능 저하를 제목에 내세운다. 이 조합은 평균 정확도를 높이는 문제와 함께 성능이 무너지는 환경을 식별하는 문제가 독립된 연구 가치로 다뤄지고 있음을 시사한다.[1, 13쪽][1, 16쪽][1, 25쪽][1, 28–29쪽]
그다음 질문은 불확실성을 어떻게 행동으로 번역하느냐이다. 같은 위치 오차라도 개활지 이동과 절벽 가장자리 접근에서의 의미는 다르다. 인지 모듈의 분산이나 신뢰도 점수를 계획기로 넘기는 것만으로는 부족하다. 관측의 시각, 조명·지형 조건, 추정의 모호성, 더 나은 관측을 얻는 비용까지 연결되어야 한다. 이는 지도 표현에 새로운 층을 요구한다. 지도의 한 셀을 ‘갈 수 있다’고 고정하기보다, 적재량·접근 방향·관측 조건에 따라 비용과 위험이 어떻게 달라지는지 표현할 필요가 있다. 지도는 환경의 기록인 동시에 현재 로봇이 수행할 수 있는 행동의 조건표가 된다.
이 관점에서 ‘조명 인지 능동 지각’과 ‘가시성을 고려한 다단계 궤적 최적화’가 같은 프로그램에 있다는 사실은 흥미롭다. 센서 성능의 한계를 후처리로만 보완하는 대신, 더 잘 볼 수 있는 위치와 자세를 선택하는 것이다. 이때 좋은 경로는 짧은 경로와 일치하지 않을 수 있다. 잠시 우회해 관측을 개선하면 이후의 재계획이나 보수적 정지를 줄일 수 있다. 다만 관측을 위한 기동도 에너지와 시간을 소비한다. 능동 지각의 설득력은 영상 지표의 향상보다, 관측 비용을 포함한 임무 성과로 입증되어야 한다.[1, 11–12쪽]
불확실성 정량화의 언어를 엄밀히 쓰는 일도 중요하다. 프로그램의 ‘Domain-Aware Conformal Prediction’ 발표는 시뮬레이션에서 실제 환경으로 이동할 때의 우주선 자세추정을 다룬다. 일반적인 conformal prediction의 기본 보장은 보정 자료와 시험 자료 사이의 교환가능성 같은 조건에 의존하며, 주변적 포함률이 모든 특정 상황에서의 포함률을 뜻하지 않는다. 따라서 분포 이동을 다룬다는 제목만으로 미지의 우주 환경에서 보장까지 성립한다고 읽어서는 안 된다. 확인할 대상은 어떤 이동을 가정했고, 그 가정이 어긋나면 이를 어떻게 감지하며, 감지 이후 행동을 어떻게 제한하는가이다.[1, 10쪽][3]
인지 연구의 평가도 이 연결을 따라야 한다. 위치 오차와 분할 정확도에 더해, 위험을 놓친 빈도, 불필요한 정지 시간, 재관측의 부담, 추정이 깨진 뒤 복구까지 걸린 시간을 함께 측정할 수 있다. 위험한 장면을 피했기 때문에 오류가 작아진 시스템과, 같은 장면에서 정보를 확보하며 임무를 완수한 시스템은 구분되어야 한다. 안전과 임무 진척도를 같이 보고하는 평가가 필요한 이유다.
3. 학습 모델의 성능과 함께 ‘결정 권한’을 설계한다
올해 프로그램에서 학습 기반 방법은 여러 층위에 배치된다. 탑재형 비전언어모델을 이용한 임무계획, 불확실성하 달 로버 경로계획의 언어모델 설명가능성, Transformer를 이용한 궤적 최적화의 초기값 생성, 학습 기반 적응형 모델예측제어(MPC), 위험 조건부 오프라인 강화학습 등이 그 예다. 이들을 ‘우주에도 거대모델이 들어왔다’는 한 문장으로 묶으면, 각 방법이 맡는 역할의 차이가 사라진다. 임무의 후보를 제안하는 모델, 수치 계산을 빠르게 하는 모델, 실제 액추에이터 명령을 결정하는 정책은 서로 다른 검증 부담을 갖는다.[1, 10–13쪽]
특히 학습기로 최적화의 초기값을 만들거나 계산 부담을 줄이는 접근은 중요한 절충점을 제공한다. 제안의 유연성은 학습이 담당하되 실행 가능성과 제약 충족은 후속 계산에서 확인하는 구조를 생각할 수 있다. 이는 해당 발표가 실제로 그러한 보장을 달성했다는 평가가 아니라, 프로그램의 문제 설정에서 읽을 수 있는 설계 방향이다. 학습기가 실패하더라도 기존 해법으로 복귀할 수 있는지, 복귀에 드는 계산 시간이 제어 주기를 넘지 않는지까지 포함해야 비로소 운용 관점의 장점이 된다.
안전 필터를 붙였다는 설명도 그 자체로 충분하지 않다. 프로그램에는 회전하는 비협조 우주체 포획을 위한 제어 장벽 함수(CBF), 우주정거장 자유비행 서비스 로봇을 위한 백업 CBF가 등장한다. CBF는 정해진 동역학과 제약 아래에서 안전 집합을 유지하도록 제어를 구성하는 도구다. 실제 장치에서는 상태추정 오차, 입력 포화, 지연, 모델 불일치를 함께 고려해야 한다. 특히 포획 전후에는 접촉으로 동역학 자체가 바뀔 수 있다. 한 구간의 보장을 다른 구간으로 그대로 넘기지 않고, 모드 전환과 복구 동작까지 확인하는 것이 핵심이다.[1, 16·25쪽][4]
그렇다고 우주에서의 직접 학습 제어를 모두 먼 미래로 돌릴 필요는 없다. 2025년 APIARY 연구는 ISS의 Astrobee를 이용한 강화학습 기반 자유비행 제어와, 이를 위한 시뮬레이션·지상시험·비행 검증을 보고했다. 이는 특정 실험 조건에서 실제 탑재 검증까지 진행된 사례다. 그러나 제한된 환경의 비행 실험과 장기간 무인 임무의 일반적인 신뢰성은 다른 수준의 주장이다. 올해의 발표를 읽을 때에도 ‘실제 로봇에서 한 번 동작했다’와 ‘지정된 운용 범위에서 반복적으로 임무를 수행한다’를 구별해야 한다.[5]
언어모델 기반 계획에서는 설명가능성과 실행 가능성을 분리해야 한다. 그럴듯한 설명은 계획의 물리적 실현 가능성을 보증하지 않는다. 자연어 목표를 행동으로 바꿀 때는 자원 한도, 금지 영역, 시간 제약, 전제조건을 검사할 수 있는 형태로 내려보내야 한다. 사람에게 언제 질의할지, 통신이 끊기면 어떤 행동까지 허용할지도 함께 설계해야 한다. 모델 선택보다 먼저 정할 것은 모델이 결정해도 되는 범위와 결정을 보류해야 하는 조건이다.
평가에서는 평균 추론 시간보다 지연의 긴 꼬리와 최악 상황이 더 직접적인 문제가 될 수 있다. 계산이 늦어지는 장면이 위험한 장면과 겹친다면 평균 속도는 안전 여유를 설명하지 못한다. 학습 정책·계획기·안전 감시기를 결합한 시스템은 평상시 성공률뿐 아니라 시간 초과 시의 행동, 백업 제어로의 전환 지연, 반복적인 안전 필터 개입으로 줄어든 임무 진척도를 보고해야 한다. 후자의 손실을 감추면 모든 위험한 행동을 거부하는 시스템이 우수한 자율성처럼 보일 수 있다.
4. 접촉의 물리와 임무의 경제성이 한 문제로 만난다
우주 로봇을 논하면서 소프트웨어만 중심에 두면 프로그램의 중요한 축을 놓치기 쉽다. 토양역학을 반영한 바퀴 하중 재분배, 달 유사 토양에서 측정한 방향별 에너지 비용 지도, 굴착과 이동을 동시에 수행하는 로버의 침하·에너지 평가, 미끄럼 추정, 지형 유발 진동 예측이 함께 등장한다. 이들은 지형을 영상으로 분류하는 일과 실제로 그 지형을 통과하는 일이 동일하지 않음을 상기시킨다. 주행가능성은 지면의 고정 속성이라기보다 로봇의 구조, 적재 상태, 제어 방식과 지면의 상호작용 결과다.[1, 13·17·20·29쪽]
궤도상 조작에서도 비슷한 결합이 드러난다. 유효질량을 고려한 저충격 접촉 자세, 접촉력으로 비협조 우주체의 관성모멘트를 식별하는 방법, 포획한 물체의 관성 식별, 조작 과정에서 축적되는 각운동량을 평가하는 연구가 배치되어 있다. 물체를 잡는 순간 상대 물체의 상태를 바꾸며, 동시에 자기 시스템의 동역학도 바뀐다. 따라서 인식·접근·접촉·포획 후 안정화를 별도의 성공률로만 평가하면 각 단계 사이의 위험을 놓친다. 더 자연스러운 평가 단위는 연결된 작업 전체이며, 측정해야 할 것은 포획 여부에 더해 충격, 잔류 운동, 추진제 사용과 재시도 가능성이다.[1, 14·19·23·29쪽]
지상에서 중력 보상이나 공기베어링으로 얻은 결과 역시 어떤 물리량을 재현했는지 명시해야 한다. 외형과 동작이 비슷해도 마찰, 중력 하중, 접촉 시간척도, 구조 진동의 상대적 영향은 달라질 수 있다. 시험시설의 가치는 ‘우주를 얼마나 닮았는가’라는 인상보다, 임무의 어떤 실패 메커니즘을 얼마나 잘 드러내는가로 판단해야 한다. 이는 기계 설계와 학습·제어 연구가 공통으로 사용할 수 있는 검증 언어다.
5. 여러 대의 로봇을 운용한다는 것의 실제 의미
다중 로봇에서도 핵심은 대수 자체보다 공동 운용의 구조다. 프로그램에는 CADRE 팀의 리더 선출, 달 동굴 협력 탐사, 비정상 로버 식별을 위한 궤적 분석, 달 로버 네트워크의 시계 동기화와 안테나 지연 추정이 등장한다. 협력 성능을 높이는 문제와 함께, 누가 결정을 내리고 어떤 관측을 믿으며 시간 기준을 어떻게 맞출 것인지가 연구 대상으로 올라와 있다.[1, 12·14–15·30쪽]
CADRE의 공개 설계 논문은 중앙집중 계획과 분산 실행을 결합하고, 리더 선출로 개별 로봇 고장에 대응하며, 전력·열 제약 안에서 공동 활동을 조정한다고 설명한다. 이 사례는 ‘완전 분산’이라는 형식보다 통신·고장·자원 조건에 맞는 책임 배분이 중요하다는 점을 보여준다. 다만 이는 공개된 설계와 검증 설명에 관한 것이며, 달에서의 운용 성공을 전제한 서술은 아니다.[6]
실제 효용은 팀 전체를 기준으로 계산해야 한다. 로봇이 늘면서 얻는 관측 이득과 함께 통신·동기화·충전·고장 진단의 부담도 증가한다. 비교 실험은 동일한 시간·전력·통신 예산에서 단일 로봇 대비 추가로 얻은 과학 정보와 임무 진척도를 따져야 한다. 협력에 드는 비용을 제외한 성공률은 확장 가능성을 과대평가할 수 있다.
이러한 문제는 워크숍의 사전 인프라 배치, 개방형 소프트웨어·하드웨어, 모듈화·상호운용성 의제와 연결된다. 서로 다른 기관의 로봇이 장기적으로 함께 일하려면 기계적 결합부뿐 아니라 좌표계, 시간, 상태 보고, 오류 복구 절차도 맞아야 한다. NASA ISAAC의 로봇과 우주선 설비를 함께 다루는 자율 관리 연구는 이러한 시스템 수준 접근의 배경 사례다. 모든 기능을 하나의 지능에 넣기보다, 여러 장치가 서로의 상태와 책임을 이해하게 만드는 일이 중요해진다.[1, 8–9쪽][7]
6. 시뮬레이터의 경쟁력은 판단에 필요한 증거에 있다
시험시설·시뮬레이션·디지털 트윈 계열의 24건에는 MarsLab, 행성 로봇 인지·자율성 시뮬레이션의 역량과 한계를 다룬 조사, 과학적 근거를 둔 달 지형 생성, 레골리스 접촉 모델, MoonRanger 상태추정기 검증, 하드웨어 연계 시험 등이 포함된다. 이를 일괄적으로 ‘시뮬레이터의 고도화’라고 부르면 각 연구가 겨냥하는 차이가 흐려진다. 인지에 필요한 관측 재현, 주행에 필요한 토양 물리, 제어에 필요한 실시간성은 서로 다른 검증 과제다.[1, 26–30쪽]
사진처럼 보이는 영상이 곧 정확한 센서 모델을 뜻하지는 않는다. 반대로 실제 영상과 화소 단위로 다르더라도 특정 알고리즘의 실패 경계를 시험하는 데 유용한 환경일 수 있다. 중요한 질문은 어떤 사실성을 높일 때 실제 시스템의 오류 예측이 개선되는가이다. 조명의 변화가 핵심인 과제에 토양 모델만 정교하게 만드는 일도, 침하가 핵심인 과제에서 렌더링만 개선하는 일도 검증의 목적과 맞지 않을 수 있다. ‘고충실도’라는 말 뒤에 대상 물리량과 사용 목적을 붙여야 한다.
특히 학습과 평가를 같은 생성 환경에 의존하면 그 환경의 편향을 공유할 위험이 있다. 장면이 달라도 같은 생성 규칙의 흔적을 이용할 수 있기 때문이다. 이를 줄이려면 지형과 조명 조건의 분리, 독립된 자료로 확인한 센서·토양 매개변수, 외부 기준으로 측정한 위치·힘·에너지의 참조값이 필요하다. 모든 실험에 우주 실증을 요구할 수는 없다. 대신 시뮬레이션, 지상 유사환경, 실제 하드웨어의 각 단계가 어떤 불확실성을 줄였고 무엇을 남겼는지 연결해 설명해야 한다. 이 연결이 연구 결과를 임무 설계의 근거로 바꾸는 과정이다.
국내 연구진의 기회도 이 연결에 있다. 프로그램에는 인하대의 가시성 인지 궤적 최적화, 경북대의 행성 항법용 시각 추적, 가천대의 반복 관측 기반 시맨틱 매핑, DGIST의 MarsLab과 시뮬레이션 조사 발표 등이 확인된다. 이 사례만으로 국내의 우위나 전체 역량을 평가할 수는 없다. 다만 인지·계획·검증의 서로 다른 연결 지점에 참여하고 있다는 점은 구체적인 출발점이다.[1, 11·22·25–26쪽]
연구 전략으로는 세 가지를 제안한다. 첫째, 논문마다 달라지는 시연 환경을 넘어 재사용할 수 있는 실패 시험군을 축적하자. 낮은 태양 고도, 반복 지형, 바퀴 미끄럼, 시간 동기 오차, 통신 단절을 명시한 시험군은 개별 정확도 경쟁을 공동의 신뢰성 연구로 확장한다. 둘째, 정답 자료와 평가 절차를 함께 공개하자. 독립적으로 측정한 기준 궤적과 센서 보정, 불확실성, 학습·평가 분할을 재현할 수 있어야 다른 기관의 결과와 연결된다. 셋째, 연구 성과를 평균 정확도 하나로 압축하지 말자. 안전 여유, 과제 진척도, 지연·전력, 인간 개입과 복구 비용을 함께 보고하면 알고리즘의 이점이 실제로 어디에 있는지 드러난다.
올해 예비 프로그램이 제기하는 가장 생산적인 질문은 ‘로봇이 얼마나 영리한가’에서 멈추지 않는다. 언제 자율적인 결정을 맡길 수 있고, 그 판단을 어떤 증거로 뒷받침할 수 있는가를 묻는다. 정밀한 인지, 학습 기반 계산, 물리 모델, 다중 로봇 협력은 이 질문의 서로 다른 부분을 담당한다. 우주 로봇 연구의 다음 경쟁력은 이 요소들을 결합하면서 가정과 실패 조건을 숨기지 않는 데 있을 것이다. 그것이 실험실의 좋은 결과를 장기간 운용 가능한 임무 능력으로 이어가는 길이다.
참고문헌 및 근거 안내
아래 프로그램 쪽수는 PDF 파일의 실제 페이지 번호다. 기술세션 내부에 인쇄된 “Page … of 22”와 다르다. 기술발표 제목은 연구 의제의 근거로 사용했으며, 별도 공개 문헌을 명시한 경우를 제외하고 논문 전문이나 실험 결과를 검토한 것으로 서술하지 않았다. 추가 문헌은 배경·기술적 해석을 뒷받침하며, 올해 발표의 결과를 대신하지 않는다.
| 세션 계열 | 세션 ID | 발표 |
|---|---|---|
| 행성 탐사 로봇 지능·자율성 | TS02, 07, 12, 17, 23, 29, 31 | 42 |
| 시험시설·시뮬레이션·디지털 트윈 | TS30, 32, 35, 38 | 24 |
| 근접운용·랑데부·도킹 | TS03, 08, 13, 18 | 24 |
전체 224건 중 일부 계열의 집계다. 표 전체가 완전한 주제 분류를 뜻하지 않으며, 관련 연구가 다른 세션에도 포함된다. 원문 시간표의 중복 시간은 발표 항목을 삭제하는 근거로 사용하지 않았다.
- Joint Symposium i-SAIRAS / iSpaRo. Preliminary Programme. 표지 07.10.2026, 파일명 2026-10-08. 원문 PDF · 발표·세션 구조화 자료. 2026년 10월 11일 확인. 워크숍 8–9쪽, 기술발표 10–30쪽.
- European Space Agency. ExoMars Rosalind Franklin (RFM). 로버 항법과 탑재체에 관한 공식 설명. ESA 원문. 2026년 10월 11일 확인. 본문에서는 항법 구조만 참조했으며 발사 일정은 논하지 않았다.
- A. N. Angelopoulos and S. Bates. A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification. arXiv:2107.07511, v6, 2022. 논문. 기본 포함률 보장과 분포 이동의 조건에 관한 배경 문헌.
- A. D. Ames et al. Control Barrier Functions: Theory and Applications. arXiv:1903.11199, 2019. 논문. CBF와 안전 집합 유지에 관한 이론적 배경.
- S. Chapin, K. Stewart, R. Leontie and C. G. Henshaw. Autonomous Planning In-space Assembly Reinforcement-learning free-flYer (APIARY) International Space Station Astrobee Testing. iSpaRo 2025; arXiv:2512.03729. 논문. 2025년 5월 27일 실험과 시뮬레이션·지상·비행 검증을 저자들이 보고한 사례.
- G. Rabideau et al. Planning, scheduling, and execution on the Moon: the CADRE technology demonstration mission. AAMAS 2025; arXiv:2502.14803. 논문 · NASA 프로젝트 소개. 계획·실행 구조와 자원 제약을 참조했다.
- NASA. Integrated System for Autonomous and Adaptive Caretaking (ISAAC). 공식 프로젝트 소개. 2026년 10월 11일 확인. 우주선 설비와 로봇의 통합 운용에 관한 배경 사례.
프로그램에 항목이 있다는 사실, 공개 문헌이 보고한 사실, 이 글의 해석과 연구 제안을 구분했다. 특정 방법의 우수성, 발표 성과, 학회 전체의 전년 대비 성장률은 판단하지 않았다. 기고문은 학회 개최 전 전망이며 현장 참관기로 작성하지 않았다.