Physical AI · Cooperative Perception · Edge Intelligence · Safe Multi-Robot Mission

지능을 연결하는 것에서, 임무를 함께 완수하는 것으로

Physical AI Collaborative Intelligence Fabric: From Cooperative Perception to Safe Distributed Mission Execution

‘피지컬 AI 협업지능 패브릭’은 여러 로봇·자율기계·센서·엣지 컴퓨터가 관측과 판단을 공유하고, 제한된 통신·연산 자원 안에서 공동 임무를 안전하게 수행하도록 만드는 분산 지능 기반체계로 정의할 수 있다. 연구의 핵심은 개별 장치의 지능을 높이는 것과 함께, 장치 사이의 정보 교환이 실제 행동의 정확성·적시성·안전성으로 이어지는 조건을 규명하는 것이다.

아래는 2025년 1월부터 2026년 9월 21일까지 공개된 관련 문헌 중 직접적인 연관성이 높은 연구를 중심으로 정리한 주제별 분석이다. 확인한 문헌에서 ‘피지컬 AI 협업지능 패브릭’이라는 명칭이 통일된 학술 용어로 정착한 것은 아니다. 따라서 협력 인지, 다중 로봇 협업, 엣지 지능, 통신·제어 공동 설계를 연결하는 통합 연구 개념으로 사용한다. 논문의 결과와 이를 확장한 연구 제안은 구분하며, 학술지 게재를 확인하지 못한 최신 문헌은 arXiv 공개본을 근거로 설명한다.

Observe공동 인지

Align시간·공간 정합

Compute분산 연산

Coordinate공동 판단·행동

Recover안전한 지속 운영

Part I

정의에서 종단 협업 문제까지

Definition, mission loop, and end-to-end constraints

Section 01

Definition — 정의

피지컬 AI는 센서로 물리세계를 관찰하고, 상황을 판단하며, 구동기를 통해 환경을 변화시키는 인공지능이다. 여기에 협업지능이 더해지면, 각 장치는 자신이 직접 관찰하거나 수행할 수 없는 부분을 다른 장치의 정보와 능력으로 보완한다.

이때 패브릭은 다음 기능이 함께 작동하도록 하는 연결·실행 기반을 뜻한다.

구성	의미	직관적인 예
공동 인지	서로 다른 위치에서 얻은 관측을 결합	로봇이 보지 못한 교차로 뒤 장애물을 고정 센서가 알려줌
공동 판단	임무·상황·능력을 고려해 역할과 계획을 조정	드론은 탐색하고 지상 로봇은 운반하도록 배분
분산 연산	필요한 추론을 로봇·엣지·클라우드에 배치	긴급 회피는 로봇에서, 복잡한 작업계획은 엣지에서 수행
행동 조정	여러 장치의 움직임과 자원 사용을 조율	좁은 통로의 진입 순서와 작업 공간을 공동 예약
안전한 지속 운영	지연·단절·오류에 대응해 실행 방식을 변경	연결이 끊기면 속도를 낮추고 로컬 안전모드로 전환

이 정의와 가까운 최근 개념이 2026년의 B2X, Brain–Body-to-Everything이다. 이 연구는 판단을 담당하는 ‘두뇌’, 물리적 행동을 수행하는 ‘몸체’, 주변 네트워크·환경을 하나의 상호작용 루프로 다루고, 지능의 배치와 통신·제어 성능을 함께 설계한다. B2X Networks, 2026

이를 연구 목표형상으로 표현하면 다음과 같다.

이기종 피지컬 AI가 필요한 관측·의도·연산을 적시에 공유하고, 통신과 장치의 불확실성 속에서도 공동 임무를 안전하게 수행하도록 지원하는 협업지능 패브릭.

이는 관련 문헌을 종합한 정의이며, 특정 논문의 정의를 그대로 인용한 것은 아니다.

Section 02

Problem Definition — 문제 정의

핵심 문제는 다음 질문으로 정식화할 수 있다.

각 장치가 불완전한 정보만 가지고 있고 통신·연산 자원이 제한된 상황에서, 누가 누구와 어떤 정보를 언제 공유하고 어디에서 계산하며 어떻게 행동해야 공동 임무를 가장 잘 수행할 수 있는가?

물류 현장을 예로 들면, 로봇 A가 보행자를 발견했더라도 다음 조건이 충족되지 않으면 로봇 B의 안전에 도움이 되지 않다.

A와 B가 동일한 위치·시간 기준으로 정보를 해석해야 한다.
정보가 B의 회피 가능 시한 안에 도착해야 한다.
관측의 불확실성이 함께 전달되어야 한다.
B의 제어기가 해당 정보를 실제 감속·정지 판단에 반영해야 한다.

2025년 CoDynTrust는 통신 지연, 시계 불일치, 센서 표본화 차이 때문에 협력 인지의 정보가 어긋나는 문제를 다룹니다. 불확실성을 이용해 수신 특징의 신뢰도를 조정하는 방식으로 비동기 융합을 개선한다. 이는 “정보를 더 많이 합치면 더 정확해진다”는 가정이 현실에서 성립하지 않을 수 있음을 보여준다. CoDynTrust, 2025

통합 연구 문제는 다음과 같이 제안할 수 있다.

\[ \max_{\pi,\mathcal G,z} \mathbb E\!\left[ R_{\mathrm{mission}} -\lambda_c C_{\mathrm{communication}} -\lambda_e C_{\mathrm{energy}} \right] \]

\[ \text{subject to}\quad \Pr(T_{\mathrm{loop}}>D)\leq\epsilon_d,\qquad \Pr(\text{safety violation})\leq\epsilon_s \]

여기서 \(\pi\)는 협업 행동정책, \(\mathcal G\)는 정보교환 관계, \(z\)는 연산 배치이다. \(T_{\mathrm{loop}}\)는 관측부터 실제 제어 반영까지의 시간이고, \(D\)는 임무별 허용 시한이다.

이 식은 설명을 위한 통합 문제정의 제안이다. 안전 제약의 실제 보장은 환경·동역학·통신에 대한 가정과 별도의 검증이 필요한다.

Part II

핵심 개념과 연구 동기

Core concepts, research trajectory, and motivation

Section 03

Core Concepts — 핵심 개념

관련 연구를 이해하려면 다음 개념을 구분하는 것이 중요한다.

핵심 개념	의미	패브릭 연구에서의 역할
협력 인지	여러 장치의 관측을 결합해 인지 범위와 품질을 개선	가림·사각지대·센서 한계를 보완
시간·공간 정합	관측 시각, 좌표계, 위치 오차를 맞춤	서로 다른 정보를 동일한 사건으로 해석
불확실성 인지 융합	정보의 신뢰도와 오류 가능성을 반영	오래되거나 부정확한 정보의 영향 억제
임무 지향 통신	행동과 임무에 유용한 정보를 우선 전달	제한된 대역폭의 실질적인 효과를 높임
통신·연산·제어 공동 설계	전송, 추론 위치, 제어정책을 함께 최적화	개별 기술의 개선을 종단 성능으로 연결
능력 기반 협업	이동성·센서·조작 능력에 맞춰 역할을 배분	이기종 로봇의 상호보완성을 활용
협업 상태 표현	객체·로봇·작업·공간의 관계와 변화를 표현	계획 충돌과 자원 경쟁을 예측
안전한 성능 저하	자원·연결 품질이 나빠지면 행동 수준을 조정	통신 장애가 위험한 행동으로 번지는 것을 방지
경험의 공동 학습	현장 경험을 이용해 공유 모델을 갱신	새로운 환경과 임무에 적응

2025년 협력 인지 서베이는 V2X 통신을 외부 관측을 제공하는 ‘정보 센서’로 해석하고, 공유 대상을 원시 데이터·중간 특징·객체 정보로 구분한다. 무엇을 공유하느냐에 따라 전송량, 융합 가능성, 이기종 호환성이 달라진다. Wireless Communication as an Information Sensor, 2025

또 하나 구분할 개념은 통신·센싱 통합(ISAC)이다. ISAC는 무선 자원이나 하드웨어를 활용해 통신과 물리적 센싱 기능을 통합한다. 반면 협력 인지는 카메라·라이다 등에서 얻은 정보를 통신으로 공유하는 방식으로도 구현할 수 있다. 따라서 ISAC는 패브릭의 유력한 기반기술이지만, 모든 협력 인지 시스템의 필수 전제는 아니다. 딥러닝 기반 ISAC 서베이, IEEE OJ-COMS, 2025

Section 04

Introduction — 연구 분야의 전개

선정한 문헌에서 읽히는 흐름은 개별 인지·계획 기술을 실제 협업 루프로 연결하는 방향이다.

2025년에는 비동기 협력 인지, 대규모 로봇군의 상호작용 예측, 이기종 로봇의 능력에 맞춘 임무 분해처럼 구체적인 협업 병목을 다루는 연구가 나타난다.

대표적으로 Amazon Robotics의 DeepFleet는 실제 창고 로봇 운행 데이터를 이용해 로봇군의 미래 상태와 행동을 예측하는 여러 모델 구조를 비교한다. 주변 로봇의 국소적 상호작용과 비동기 상태 변화를 어떻게 표현할지가 중요한 설계 문제로 다뤄진다. 다만 논문의 주된 검증 대상은 예측 성능이므로, 이를 모든 환경에서 검증된 자율 협업 제어기로 해석해서는 안 된다. DeepFleet, 2025

2026년의 B2X와 Edge-Native Embodied Intelligence, ENEI는 지능의 배치, 무선 연결, 물리적 행동, 현장 경험의 학습을 통합하는 구조를 제안한다. 특히 ENEI는 엣지가 로봇의 행동을 지원하고, 로봇이 수집한 경험이 다시 엣지 모델을 개선하는 양방향 구조를 다룹니다. 이러한 문헌은 통합 아키텍처의 연구 방향을 보여주지만, 범용적인 현장 성숙도가 입증되었다는 의미는 아니다. ENEI, 2026

따라서 협업지능 패브릭은 이 연구 흐름들을 공동 임무의 성능과 안전성이라는 동일한 기준으로 연결하는 연구 대상으로 설정할 수 있다.

Section 05

Motivation and Background — 동기와 배경

첫째, 개별 장치의 관측에는 구조적인 한계가 있다. 센서 성능을 높여도 벽 뒤나 다른 차량에 가려진 공간을 항상 볼 수는 없다. 다른 위치의 관측을 이용하는 협력 인지는 이러한 한계를 보완한다. 다만 위치 오차·지연·패킷 손실까지 함께 다뤄야 그 이점이 유지된다. 협력 인지 서베이, 2025

둘째, 고성능 모델을 모든 장치에서 실행하기는 어렵다. 장치마다 전력·메모리·연산능력이 다르고, 원격 실행에는 전송과 대기 비용이 발생한다. 엣지–클라우드 협업 연구는 모델 압축·적응·자원 관리 등을 통해 지연, 에너지, 성능 사이의 균형을 다룹니다. 패브릭에서는 이 균형을 실제 행동 시한과 연결해야 한다. Edge–Cloud Collaborative Computing 서베이, 2025

셋째, 공동 임무에는 장치 사이의 의존성이 존재한다. 한 로봇의 경로 선택이 다른 로봇의 대기와 혼잡을 유발할 수 있다. 따라서 개별 로봇의 최적 행동을 단순히 합치는 것만으로 전체 생산성이 높아지지는 않다. DeepFleet가 다루는 로봇군 상호작용 예측은 이 문제와 연결된다. DeepFleet, 2025

넷째, 자연어 계획은 물리적 실행 가능성과 연결되어야 한다. “장애물 너머의 물체를 가져오라”는 지시를 이해했더라도, 해당 로봇이 지형을 통과하고 물체를 운반할 수 있는지는 별도의 문제이다. SPINE-HT는 생성된 하위 작업의 실행 가능성을 검증하고 로봇 능력에 따라 배분하며, 현장 피드백으로 계획을 수정한다. Heterogeneous Robot Collaboration…, 2025

이러한 배경에서 패브릭의 필요성은 분산된 정보·연산·행동 능력을 실제 공동 성과로 전환하는 데 있다.

Part III

도전과제를 검증 가능한 연구질문으로

Challenges and falsifiable research questions

Section 06

Challenges — 핵심 도전과제

아래는 문헌의 문제의식을 패브릭 관점으로 종합한 것이다.

도전과제	어려운 이유	연구·평가에서 확인할 사항
비동기 정보	수신 시점에는 환경이 이미 변했을 수 있음	지연 증가에 따른 인지·제어 성능 저하
의미와 좌표의 불일치	같은 객체도 장치마다 위치·범주·특징 표현이 다름	이기종 조합에서 융합 오류와 보정 비용
종단 지연의 변동	무선 지연뿐 아니라 대기열·추론·제어 주기가 영향	평균 외에 p95·p99 지연과 시한 초과율
협업 규모 확장	장치 수가 늘면 통신량과 상호작용이 증가	규모별 임무 처리량·통신량·계획 시간
계획의 물리적 타당성	언어적으로 가능한 계획이 물리적으로 불가능할 수 있음	실행 불가능한 계획의 검출률
제한된 통신하의 안전	필요한 상태를 항상 교환할 수 없음	지연·단절 조건별 안전 유지 범위
현장 변화와 모델 갱신	배치 변경·새 장비·새 작업으로 학습 조건이 달라짐	미학습 환경 성능과 갱신 후 회귀
오류 원인 추적	센싱·융합·계획·통신 오류가 연쇄적으로 발생	실패 재현과 단계별 원인 식별 가능성

통신량과 안전성을 동시에 다루는 사례로, Safe Control of Multi-Agent Systems with Minimal Communication은 지연 제약을 고려하면서 안전·협조 요구를 만족하는 제어기의 통신량을 줄이는 문제를 연구한다. 제어 합성을 랭크 최소화 문제로 정식화하고 시뮬레이션으로 평가한다. 그 보장 범위는 해당 모델과 가정에 한정되므로, 이를 임의의 생성형 로봇 시스템 전체로 확대해서 해석할 수는 없다. Safe Control…, 2025

Section 07

Research Questions — 연구 질문

다음은 기존 문헌의 한계를 바탕으로 도출한 검증 가능한 연구 질문 제안이다.

연구 질문	핵심 가설	검증 방법
RQ1. 어떤 정보를 공유해야 행동이 개선되는가?	행동 변화에 기여하는 정보만 선택해도 통신량을 줄이며 임무 성능을 유지할 수 있음	전체 공유·주기적 공유·정보가치 기반 공유 비교
RQ2. 오래된 정보는 언제 도움이 되고 언제 해로운가?	정보의 나이와 불확실성을 함께 쓰면 단순 시간 임계값보다 우수함	지연·이동속도·위치오차를 독립적으로 변화
RQ3. 추론을 어디에 배치해야 시한을 지킬 수 있는가?	네트워크와 연산 대기열을 함께 고려하면 고정 배치보다 시한 초과가 줄어듦	로컬·엣지·클라우드·동적 배치 비교
RQ4. 누가 누구와 협업해야 하는가?	임무 의존성과 위험에 따른 선택적 연결이 전체 연결보다 효율적임	동일 통신 예산에서 연결 정책 비교
RQ5. 안전을 유지하는 데 필요한 최소 통신은 얼마인가?	임무·동역학·센서 조건에 따라 최소 정보교환 조건을 도출할 수 있음	모델 분석과 통신 장애 주입 실험
RQ6. 새로운 로봇이 들어와도 협업을 유지할 수 있는가?	능력·좌표·신뢰도에 대한 공통 명세가 재학습·재통합 비용을 줄임	학습에 없던 로봇 유형을 투입
RQ7. 협업 자체의 이득을 분리해 측정할 수 있는가?	자원을 통제하면 패브릭의 순수 기여를 정량화할 수 있음	총연산량·센서·통신 예산을 맞춘 대조실험

특히 RQ7은 연구의 설득력을 좌우한다. 협업 시스템에 더 많은 센서와 GPU를 제공한 뒤 성능 향상을 주장하면, 그 효과가 협업 방식에서 발생했는지 구분하기 어렵다.

Part IV

협업지능 패브릭을 구현하는 방법

Methods for perception, communication, compute, planning, and learning

Section 08

Approaches / Methods — 접근법과 방법론

① 불확실성을 포함한 협력 인지

관측 내용과 함께 생성 시각·좌표계·위치 오차·추정 불확실성을 전달하고, 수신 측에서 정보의 유효성을 판단하는 방식이다. CoDynTrust는 불확실성을 활용한 비동기 특징 융합의 구체적인 사례이다. 패브릭 연구에서는 이를 계획·제어 단계까지 연결해 검증하는 확장이 필요한다. CoDynTrust, 2025

② 통신·센싱·연산·제어의 공동 최적화

전송 대역폭, 센싱 주기, 추론 위치, 제어정책을 하나의 목적 아래 조정한다. B2X는 통신 성능과 제어 품질 사이의 파레토 관계를 논의한다. 이를 확장해, 임무별로 허용 가능한 지연과 제어 오차의 조합을 찾는 실험을 설계할 수 있다. B2X Networks, 2026

ISAC를 적용한다면 파형·빔·센싱 자원 선택이 인지 품질과 통신 가용성에 미치는 영향까지 포함해야 한다. 딥러닝 기반 ISAC 연구는 이러한 설계의 계산 부담을 줄이는 접근을 정리한다. ISAC 서베이, 2025

③ 능력에 근거한 임무 분해와 재계획

생성형 모델이 하위 작업을 제안하고, 실행 가능성 검사와 능력 기반 배분을 거쳐 실행하며, 결과를 다시 계획에 반영한다. SPINE-HT는 이 구조를 이기종 로봇의 비정형 환경 임무에 적용한다. 패브릭에서는 여기에 연결 상태와 연산 가용성도 배분 조건으로 추가할 수 있다. SPINE-HT, 2025

④ 시공간 그래프를 이용한 협업 예측

로봇·공간·작업을 노드로, 이동 가능성·근접성·작업 의존성을 관계로 표현한다. DeepFleet의 그래프 기반 모델은 로봇군의 시간적·공간적 상호작용을 학습하는 사례이다. 이를 패브릭에 확장하면 혼잡뿐 아니라 협업 대상과 정보교환 필요성도 예측 대상으로 설정할 수 있다. 후자는 추가 검증이 필요한 제안이다. DeepFleet, 2025

⑤ 계층별 실행과 안전 제약

연구 설계상으로는 임무 계획, 협업 조정, 로컬 제어를 서로 다른 시간 규모로 나누는 접근이 유용한다. 생성형 계획이 제시한 행동은 실행 전 제약 검사를 거치고, 긴급 대응은 로컬에서 처리하도록 구성할 수 있다. 제한된 통신에서도 안전한 제어를 합성하려는 연구는 이러한 구조의 일부를 뒷받침하지만, 계층 전체의 안전성은 별도로 검증해야 한다. Safe Control…, 2025

⑥ 경험 가치에 따른 공동 학습

모든 데이터를 동일하게 수집·전송하는 대신, 현재 모델이 잘 처리하지 못하는 환경과 실패 사례의 학습 가치를 평가한다. ENEI는 로봇 행동이 유용한 경험을 생성하고 이를 엣지 학습으로 연결하는 방향을 제안한다. 이를 실제 운영에 적용할 때는 모델 개선 효과와 함께 안전 회귀, 통신 비용, 현장 분포 변화도 평가해야 한다. ENEI, 2026

Part V

어디에서 실증할 것인가

Applications and evidence boundaries

Section 09

Key Applications — 주요 적용 분야

적용 분야는 문헌에서 직접 다뤄진 사례와 추가 검증이 필요한 확장 후보로 구분할 수 있다.

적용 분야	공동 임무	패브릭의 기여	근거 수준
물류·창고 로봇군	운반·분류·경로 조정	혼잡과 상호작용 예측, 작업 재배분	DeepFleet의 실제 운행 데이터 기반 예측 연구
협력 자율주행·산업 차량	가림 구간 인지와 위험 대응	외부 관측 융합, 지연·오차 대응	협력 인지·CoDynTrust의 직접 연구 대상
이기종 현장 로봇팀	탐색·관측·접근 등 역할 분담	능력에 맞춘 임무 배분과 온라인 재계획	SPINE-HT의 시뮬레이션·실물 실험
드론–엣지 협업	미학습 환경 탐색과 적응	원격 지능 지원과 경험 기반 학습	ENEI의 사례 연구
자율제조 셀	이동·조작·검사 장치의 공동 작업	작업 공간·시점·자원 충돌 조정	위 방법론을 확장할 후보
자율과학실험실	시료 이송·장비 조작·측정 연계	장비 상태와 작업 의존성에 따른 실행 조정	별도의 도메인 검증이 필요한 후보

앞의 네 분야에 대한 근거는 각각 DeepFleet, CoDynTrust, SPINE-HT, ENEI이다.

ETRI의 목표형상 기획에 연결한다면, 물류·산업 현장의 협력 인지와 이기종 이동체 협업처럼 센싱·통신·엣지 연산의 기여를 분리해 측정할 수 있는 임무가 초기 검증 대상으로 적합하다는 판단이다. 이는 기관의 확정된 역할이나 사업계획에 대한 진술이 아니라, 문헌을 바탕으로 한 연구 범위 제안이다.

Part VI

보장이 아직 남아 있는 문제

Open problems and failure boundaries

Section 10

Open Problems — 미해결 문제

현재 남아 있는 문제는 개별 알고리즘의 정확도 개선보다 여러 구성요소를 결합했을 때 무엇을 보장할 수 있는가에 집중된다.

첫째, 협업이 항상 유리한 조건을 알기 어렵다. 외부 정보가 오래되거나 잘못 정렬되어 있으면 로컬 판단보다 나빠질 수 있다. 필요한 것은 평균 성능 향상뿐 아니라, 협업을 제한하거나 중단해야 하는 조건이다.

둘째, 인지 불확실성을 실제 행동 위험으로 변환하기 어렵다. 객체 검출의 신뢰도가 낮다는 사실만으로 감속량이나 안전거리가 정해지지는 않다. 인지 오차, 동역학, 제어 여유를 연결하는 모델이 필요한다.

셋째, 여러 장치가 공유한 오류가 증폭될 수 있다. 동일한 잘못된 정보를 여러 경로로 받은 시스템이 이를 독립된 증거로 오인하면 확신이 과도해질 수 있다. 정보의 출처와 의존성을 추적하는 협업 추론이 연구 과제이다.

넷째, 이기종 상호운용성은 메시지 형식만으로 해결되지 않다. 좌표·객체 의미·행동 능력·모델 버전·불확실성의 해석까지 맞아야 한다. 어느 수준까지 공통화해야 재사용이 가능하고, 어느 수준부터 장치 특성을 보존해야 하는지 명확하지 않다.

다섯째, 네트워크 단절 이후의 협업 복구가 어렵다. 각 장치가 독립적으로 행동한 동안 작업 상태가 달라질 수 있다. 재연결 후에는 정보 동기화뿐 아니라 중복 작업, 충돌 계획, 오래된 명령을 해결해야 한다.

여섯째, 통합 평가체계가 부족한다. 선정 문헌은 인지, 예측, 제어, 아키텍처를 서로 다른 조건에서 평가한다. 이 결과들만으로 “패브릭 전체가 안전하고 효율적”이라고 결론내리기는 어렵다. 동일한 임무에서 통신·연산 장애와 물리적 실패를 함께 재현하는 평가가 필요한다.

이 목록은 개별 논문의 미해결 문제를 그대로 옮긴 것이 아니라, 앞선 문헌을 연결해 도출한 통합 연구 공백이다.

Part VII

향후 연구를 결정할 다섯 방향

Future directions and evaluation framework

Section 11

Future Directions — 향후 연구 방향

향후에는 다음 다섯 방향이 독립적인 논문 주제이면서 공동 프로그램으로도 연결될 수 있다.

연구 방향	창의적인 핵심 아이디어	구체적인 검증 목표
행동 가치 기반 정보교환	정보가 수신자의 행동을 얼마나 개선하는지 예측해 전송 결정	동일 통신량에서 임무 성공률·위험 감소
위험과 시한을 반영한 협업 연결	작업 의존성·위험·시한에 따라 협업 관계를 동적으로 구성	전체 연결 대비 통신비 절감과 성능 유지
정보 유효조건의 공동 관리	메시지에 시각·좌표·불확실성·유효기간을 포함하고 수신자가 검사	오래된 정보와 의미 불일치로 인한 실패 감소
안전한 협업 축소와 복구	연결 악화 시 협업 범위를 줄이고, 복구 시 작업 상태를 재조정	장애 중 안전 유지와 복구 후 중복·충돌 감소
재현 가능한 패브릭 벤치마크	물리 환경·통신·연산 장애를 동일 시나리오에서 반복 재생	구성요소별 기여와 실패 원인 재현