💡
3초 핵심 요약
ROS2 기반 모바일 로봇 개발에서는 Nav2가 대표적인 오픈소스 내비게이션 프레임워크로 널리 활용되고 있으며, SLAM Toolbox 역시 주요 2D SLAM 선택지 중 하나입니다.
2026년의 변화는 기존 SLAM과 Nav2에 시뮬레이션과 로봇 학습, VLA 같은 AI 기술이 결합되는 방향으로 진행되고 있습니다.
Mordor Intelligence는 글로벌 모바일 로봇 시장이 2026년 110억 3천만 달러에서 2031년 373억 3천만 달러로 성장할 것으로 전망합니다.
자율주행로봇 기술을 살펴보다 보면 비슷한 용어가 반복해서 등장합니다. SLAM, Nav2, ROS2, Isaac Sim, VLA 등이 대표적입니다. 어디까지가 현재 로봇 개발의 기본기이고, 어디부터가 새롭게 등장한 흐름인지 구분하기 쉽지 않습니다.
특히 최근에는 엔비디아를 비롯한 기업들이 피지컬 AI(Physical AI)를 강조하면서 로봇 개발에 시뮬레이션과 AI 모델을 적극적으로 연결하고 있습니다. 하지만 실제 산업 현장에서는 기존의 위치 추정, 지도 작성, 경로 계획, 제어 기술 역시 여전히 중요합니다.
즉 지금의 변화는 기존 자율주행 기술이 AI로 완전히 대체되는 것보다, 검증된 로봇 소프트웨어 스택에 AI 기반 인지와 추론, 로봇 학습 기술이 추가되는 과정에 가깝습니다.
이 글에서는 현재 모바일 로봇 개발에서 활용되는 SLAM과 Nav2부터 피지컬 AI, Sim to Real, VLA까지 어떤 변화가 나타나고 있는지 살펴보겠습니다.
로봇이 주변 지도를 만들면서 동시에 자신이 어디에 있는지 추정하는 기술을 SLAM(Simultaneous Localization and Mapping)이라고 합니다. 쉽게 말하면 처음 방문한 건물에서 주변 구조를 파악해 지도를 만들면서 자신이 지도상의 어디에 있는지도 함께 알아내는 과정입니다.
모바일 로봇에서는 LiDAR나 카메라 같은 센서와 바퀴의 odometry, IMU 등의 정보를 목적에 따라 활용합니다. 다만 모든 SLAM 시스템이 이 센서를 전부 사용하는 것은 아닙니다. LiDAR 기반 2D SLAM, Visual SLAM, LiDAR와 IMU를 결합한 방식 등 로봇과 환경에 따라 구성이 달라집니다.
ROS2 생태계에서 자주 사용되는 오픈소스 2D SLAM 패키지 중 하나가 SLAM Toolbox입니다. 지도 생성과 localization, 저장된 지도를 활용한 mapping 재개 등의 기능을 제공합니다. 장기간 환경 변화를 반영하기 위한 lifelong mapping 기능도 제공하지만, 현재 프로젝트에서는 이 모드를 experimental 기능으로 안내하고 있기 때문에 실제 제품에 적용할 때는 별도의 검증이 필요합니다.
따라서 SLAM Toolbox를 ROS2의 유일한 표준 SLAM이라고 보기보다는, ROS2 기반 2D LiDAR SLAM을 구현할 때 활용할 수 있는 대표적인 오픈소스 도구로 이해하는 것이 정확합니다.
SLAM이 지도와 위치를 다룬다면 Nav2는 목적지까지 로봇을 어떻게 이동시킬 것인지를 다룹니다.
Nav2에는 경로를 만드는 planner, 경로를 따라 로봇을 움직이는 controller, 장애물을 표현하는 costmap, 복구 행동과 행동 흐름을 관리하는 Behavior Tree 등 모바일 로봇 내비게이션에 필요한 여러 구성 요소가 포함돼 있습니다. 공식 문서에서는 Nav2를 ‘production grade navigation framework’로 소개하고 있으며 300개 이상의 기업에서 활용되고 있다고 설명합니다.
Nav2의 특징 중 하나는 Behavior Tree를 이용해 내비게이션 작업 흐름을 구성할 수 있다는 점입니다.
예를 들어 [경로 생성 → 경로 추종 → 주행 실패 확인 → 재계획 → 복구 행동] 같은 과정을 하나의 고정된 프로그램으로 만드는 대신 여러 노드를 조합해 구성할 수 있습니다. 이를 통해 로봇이나 서비스 환경에 맞는 navigation behavior를 설계하기 쉬워집니다.
다만 사람이 나타나면 양보하거나 특정 공간에서 속도를 줄이는 것처럼 복잡한 기능이 Behavior Tree만으로 해결되는 것은 아닙니다. 실제 시스템에서는 perception, costmap, planner, controller와 각종 plugin을 함께 구성해야 합니다. Nav2 역시 planner, controller, costmap, behavior 등 여러 요소를 확장할 수 있는 plugin 구조를 제공합니다.
자율주행로봇(AMR, Autonomous Mobile Robot)은 물류센터와 제조 현장을 넘어 다양한 공간으로 확장되고 있습니다. 대표적으로 공장과 물류센터의 자재 운반, 병원의 물품 이송, 상업 시설의 배송 및 서비스 등의 영역에서 모바일 로봇이 활용됩니다.
한국은 로봇 자동화 기반이 높은 국가입니다. IFR이 2026년 공개한 로봇 밀도 자료에서 한국은 제조업 종사자 1만 명당 산업용 로봇 1,220대를 기록해 세계에서 가장 높은 로봇 밀도를 나타냈습니다. 이 수치가 AMR 시장이나 자율주행 엔지니어 채용 규모를 직접 나타내는 통계는 아닌 점을 감안하더라도, 실제 현장에서 로봇 소프트웨어를 구현하고 운영하는 역량의 중요성이 커지는 배경으로 볼 수 있습니다.
Mordor Intelligence에 따르면 글로벌 모바일 로봇 시장은 2026년 110억 3천만 달러에서 2031년 373억 3천만 달러로 성장할 전망입니다. 예상 연평균 성장률(CAGR)은 27.61%입니다.
같은 기관은 AGV(Automated Guided Vehicle, 무인 운반차) 시장을 2026년 65억 1천만 달러에서 2031년 96억 3천만 달러, CAGR 8.15%로 전망하고 있으며 산업용 로봇 시장은 2026년 542억 8천만 달러에서 2031년 943억 8천만 달러, CAGR 11.7%로 예상합니다.
다만 이 세 시장은 조사 범위와 제품 분류가 서로 다르기 때문에 성장률만 비교해 한쪽 시장이 다른 시장을 직접 대체하고 있다고 해석하기는 어렵습니다. 더 눈여겨볼 부분은 모바일 로봇 안에서도 자율화 기술이 중요해지고 있다는 점입니다.
Mordor Intelligence 조사에서는 2025년 모바일 로봇 시장에서 LiDAR 기반 SLAM이 navigation technology 기준 가장 큰 매출 비중을 차지한 것으로 집계됐으며, 향후 camera based vision 방식 역시 빠르게 성장할 것으로 전망합니다. 즉 모바일 로봇 시장에서는 단순히 정해진 경로를 따라 이동하는 것을 넘어 주변 환경을 인식하고 변화에 대응하는 자율주행 기술의 중요성이 커지고 있다고 볼 수 있습니다.
국내에서도 로봇 산업 확대를 위한 정책이 추진되고 있습니다. 산업통상자원부의 제4차 지능형 로봇 기본계획은 2030년까지 민관 합동 3조 원 이상을 투자하고 국내 제조 및 서비스업에 첨단로봇 100만 대를 보급한다는 목표를 담고 있습니다.
또한 AI와 소프트웨어를 포함한 로봇 핵심 인력 1만 5천 명 양성, 핵심부품 국산화율 80% 달성, 51개 규제 개선, 약 2천억 원 규모의 국가로봇테스트필드 구축 등이 추진 과제로 제시됐습니다.
이 정책 역시 자율주행로봇만을 대상으로 하지는 않습니다. 다만 제조, 물류, 서비스 등 여러 산업에서 로봇 도입과 실증이 확대되는 방향은 분명하게 확인할 수 있습니다.
현업에서는 단순히 SLAM 알고리즘 하나를 구현하는 것보다 여러 구성 요소를 연결해 실제 로봇 시스템을 만드는 능력이 중요합니다. ROS2 기반 통신 구조를 이해하고 센서 데이터를 처리하며 localization, planning, control을 하나의 시스템으로 연결할 수 있어야 합니다. 여기에 실제 현장에서 발생하는 센서 노이즈, 네트워크 지연, 장애물, 지도 변화 같은 문제까지 대응해야 합니다.
최근에는 여기에 시뮬레이션과 AI 모델 활용 경험까지 더해지고 있습니다. 즉 자율주행로봇 엔지니어에게 요구되는 범위가 [로봇 소프트웨어 구현 → 자율주행 시스템 통합 → 시뮬레이션 및 AI 기반 로봇 학습]으로 넓어지고 있다고 이해하는 편이 현실에 가깝습니다.
엔비디아는 2026년 GTC(GPU Technology Conference)에서 피지컬 AI를 로봇 산업의 핵심 흐름으로 강조했습니다. 젠슨 황 엔비디아 CEO는 당시 “피지컬 AI 시대가 도래했습니다. 모든 산업 기업은 로봇 기업이 될 것입니다.”라고 말했습니다. 같은 발표에서 엔비디아는 ABB Robotics, FANUC, KUKA, YASKAWA 등 글로벌 로봇 기업들과 피지컬 AI 관련 협력을 확대하고 있다고 밝혔습니다.
피지컬 AI는 AI가 텍스트나 이미지 같은 디지털 정보만 처리하는 것을 넘어 실제 물리 세계를 인식하고 판단하며 행동하는 시스템으로 확장되는 흐름을 의미합니다. 로봇 관점에서는 perception과 reasoning, robot policy, simulation 같은 AI 기술을 실제 로봇의 제어 및 운영 과정에 연결하는 것이 핵심입니다.
중요한 점은 피지컬 AI가 기존 로봇 기술을 모두 없애는 개념이 아니라는 것입니다. 실제 로봇에서는 여전히 센서 처리, 위치 추정, 충돌 회피, 모터 제어, 안전 시스템 같은 기존 기술이 필요합니다. 그 위에 AI가 처리할 수 있는 영역이 늘어나고 있다고 보는 것이 더 정확합니다.
엔비디아의 로봇 개발 생태계에서 자주 등장하는 기술이 Isaac Sim, Isaac Lab, Cosmos입니다.
Isaac Sim은 로봇과 센서, 환경을 가상 공간에 구현해 시뮬레이션하고 테스트할 수 있는 플랫폼입니다. 현재 엔비디아는 이를 robotics simulation, testing, synthetic data generation을 위한 프레임워크로 설명합니다.
Isaac Lab은 그 위에서 robot policy를 학습하고 평가할 수 있도록 만든 오픈소스 robot learning framework입니다. 강화학습뿐 아니라 모방학습 등을 지원하며 휴머노이드, manipulator, AMR 등 다양한 로봇의 policy 학습에 활용할 수 있습니다.
Cosmos는 피지컬 AI를 위한 world model(세계의 물리와 상호작용을 학습한 생성 모델) 계열입니다. 실제 데이터를 보완할 synthetic data 생성이나 simulation 환경에서의 policy 평가 등 로봇 학습용 데이터와 모델 개발 과정에서 활용됩니다.
이 세 기술을 하나의 고정된 파이프라인으로 볼 필요는 없습니다. 목적에 따라 시뮬레이션과 데이터 생성, 학습, 평가 과정에서 서로 다른 방식으로 조합됩니다.
VLA(Vision Language Action) 모델은 이미지와 자연어 명령 등의 정보를 입력받아 로봇이 수행할 액션을 생성하는 모델입니다. 예를 들어, 카메라 이미지와 “빨간 물체를 집어 상자 안에 넣어”라는 명령이 입력되면 로봇의 joint position이나 velocity와 같은 동작 시퀀스를 출력하는 방식입니다.
기존 로봇 시스템에서는 perception, planning, control을 명확한 모듈로 나누는 경우가 많았습니다. VLA는 이 가운데 일부 단계를 학습 기반 모델이 직접 처리할 수 있게 만든다는 점에서 의미가 큽니다. 하지만 “VLA가 perception, planning, control 전체를 하나의 모델로 대체한다”고 보는 것은 아직 지나친 해석입니다.
실제 로봇 시스템에서는 VLA가 생성한 액션을 기존 motion planner나 controller, safety layer와 결합할 수 있습니다. 특히 충돌 방지와 안전 정지, 실시간 제어처럼 높은 신뢰성이 필요한 기능은 기존의 deterministic controller와 함께 운용하는 구조가 현실적입니다.
2026년 엔비디아의 GR00T 계열 역시 휴머노이드를 중심으로 VLA 기술을 빠르게 발전시키고 있지만, 기존 로봇 제어 스택 전체가 foundation model 하나로 대체된 단계는 아닙니다.
엔비디아는 2026년 ABB Robotics, FANUC, KUKA, YASKAWA 등 주요 로봇 제조사가 Omniverse와 Isaac 관련 기술을 활용해 로봇 애플리케이션과 생산라인을 가상 환경에서 검증하는 협력을 진행하고 있다고 발표했습니다.
이들 기업의 글로벌 설치 기반은 200만 대가 넘습니다. 다만 이것을 “200만 대의 로봇에 Isaac이 설치된다”는 의미로 해석하면 안 됩니다. 핵심은 이미 대규모 설치 기반을 보유한 산업용 로봇 제조사들이 digital twin과 simulation, edge AI를 개발 및 검증 과정에 적극적으로 도입하기 시작했다는 점입니다.
현재로서는 경쟁 관계보다 역할이 다른 기술에 가깝습니다. 실내 AMR에서 목적지까지 안전하게 이동하는 문제는 위치 추정, costmap, path planning, collision avoidance 같은 기능이 중요합니다. Nav2는 이 영역을 모듈화된 구조로 제공합니다.
반면 VLA는 물체를 인식하고 자연어 명령을 이해하거나 조작과 상호작용처럼 정해진 규칙만으로 처리하기 어려운 작업에서 활용 가능성이 커지고 있습니다.
따라서 가까운 시기의 로봇 시스템에서는 ‘Nav2 기반 이동 + AI 기반 인지와 판단 + VLA 기반 조작’처럼 기존 로봇 소프트웨어와 학습 기반 AI를 결합하는 형태가 많이 나타날 가능성이 높습니다.
실제로 Isaac Sim 역시 ROS2 Bridge와 Nav2를 이용한 navigation workflow를 공식적으로 지원하고 있습니다. 이는 피지컬 AI 생태계가 기존 ROS2 스택을 없애기보다 함께 활용하는 방향으로 발전하고 있다는 것을 보여주는 사례입니다.
첫 번째는 여전히 ROS2 기반 로봇 소프트웨어를 직접 구성하는 능력입니다. ROS2 node, topic, service, action 구조를 이해하고 Nav2의 planner, controller, costmap, Behavior Tree가 어떻게 연결되는지 파악해야 합니다.
단순히 Nav2 demo를 실행하는 것보다 실제 로봇 요구사항에 맞게 파라미터와 플러그인을 조정하고 문제가 발생했을 때 원인을 찾는 경험이 중요합니다. 예를 들어 로봇이 특정 공간에서 지나치게 벽에 붙어 주행한다면 costmap과 inflation 설정을 확인해야 할 수도 있고, 급격한 회전이나 진동이 발생한다면 controller 설정이나 robot footprint, velocity constraint 등을 살펴봐야 할 수 있습니다.
결국 현업에서 중요한 것은 패키지의 이름을 아는 것이 아니라 각 구성 요소가 실제 로봇의 행동에 어떤 영향을 주는지 이해하는 것입니다.
두 번째는 simulation 환경에서 로봇을 구현하고 실제 환경으로 연결하는 경험입니다. Isaac Sim 같은 시뮬레이터에서는 실제 로봇을 준비하기 전에 센서와 로봇 모델, 환경을 구성하고 주행이나 조작 알고리즘을 테스트할 수 있습니다.
Isaac Lab과 같은 robot learning framework를 사용한다면 시뮬레이션 안에서 policy를 학습하고 평가하는 작업도 가능합니다. 다만 simulation 결과를 실제 로봇으로 옮기면 현실과 시뮬레이션 사이의 차이가 발생합니다.
센서 노이즈, 마찰 계수, 조명, 물체의 질량과 형태, actuator 특성 등이 완전히 같지 않기 때문입니다. 이를 일반적으로 ‘reality gap’이라고 부릅니다. 그래서 Sim to Real에서는 domain randomization, sensor noise modeling, calibration, 실제 환경에서의 추가 검증 등이 중요합니다.
모든 자율주행로봇 엔지니어가 강화학습 전문가가 될 필요는 없습니다. 하지만 simulation 환경에서 로봇을 테스트하고 실제 시스템과 연결하는 전체 흐름을 이해한다면 적용할 수 있는 영역이 넓어집니다.
세 번째는 VLA를 포함한 학습 기반 로봇 모델이 기존 로봇 시스템에 어떻게 연결되는지 이해하는 것입니다. VLA 모델을 처음부터 직접 사전 훈련(Pre-training)할 수 있어야 한다는 뜻은 아닙니다.
취업과 실무 관점에서는 공개된 모델이나 robot policy를 실제 로봇 플랫폼에 연결하고 어떤 입력을 사용하고, 어떤 액션을 출력하며, 기존 planner와 controller 중 어디에 연결해야 하고, 어떤 영역을 safety layer가 담당해야 하는지 설계할 수 있는 역량이 더 현실적입니다.
이 과정에서 기존 ROS2와 제어 시스템에 대한 이해가 오히려 중요해집니다. AI 모델의 출력이 아무리 좋아도 실제 로봇의 actuator limit이나 collision constraint를 고려하지 못하면 현장에서 바로 사용할 수 없기 때문입니다.
따라서 앞으로의 로봇 엔지니어에게 필요한 방향은 “전통 로봇 기술과 AI 중 하나를 선택하는 것”보다 두 영역을 연결할 수 있는 시스템 역량에 가깝습니다.
자율주행로봇의 개념과 현재, 그리고 피지컬 AI로 넘어가는 흐름을 이해했다면, 다음 질문은 현실적입니다. 이 스택을 혼자 쌓을 수 있을까요? 이론과 포트폴리오 사이에는 생각보다 큰 벽이 있습니다. ROS2, Nav2, SLAM Toolbox, Isaac Sim까지 공식 문서는 분산돼 있고, 로봇팔과 3D LiDAR, RGB-D 카메라 같은 실습 장비는 개인이 갖추기 쉽지 않아요.
준비를 미루는 가장 흔한 이유는 돈과 시간, 그리고 장비입니다. KANT의 피지컬 AI 로봇 엔지니어 과정은 약 9개월 동안 ROS2, Isaac Sim, VLM, Sim-to-Real, RobotOps를 순서대로 학습하도록 설계됐습니다. 교육 6개월과 기업 연계 프로젝트 3개월 구조로, 실습 장비(로봇팔 FR3, 3D LiDAR, RGB-D 카메라)가 캠퍼스에 준비돼 있어요.
교육비는 100% 국비지원으로 0원이며, 훈련장려금도 지급됩니다. 커리큘럼 마지막 3개월에는 모든 수강생이 기업 연계 프로젝트를 수행하여, 수료만 해도 현업에서 통하는 포트폴리오를 완성할 수 있어요.
지금 바로 KANT의 피지컬 AI 로봇 엔지니어 과정 커리큘럼을 살펴 보세요.