실험실 밖으로 나온
자율 과학 로봇 군집

ASTRA 현장시험의 범위

• 공개일: 2026년 9월 15일
• 상태: NASA 공식 현장시험 발표. 학술지 동료심사 논문이나 arXiv 논문은 아직 확인되지 않음
• 연구분야: 행성과학, 자율탐사, 이기종 멀티로봇, 현장형 Autonomous Science Lab
• 출처: NASA 공식 발표

날짜 표기 · NASA 발표일은 2026년 9월 15일이며 NASA 페이지는 9월 17일 최종 갱신으로 표시된다. 첨부 연구동향 문서에는 본문 수정일이 없어 파일명 “0923”을 브리핑 업데이트 기준일(9월 23일)로 적용했다. 이 글의 수식은 문서가 NASA 시스템의 다기준 판단을 설명하기 위해 제시한 개념식이며, NASA가 공개한 구현 알고리즘이나 가중치가 아니다.

과학 가치와 위험을 함께 계산하다

NASA Goddard의 ASTRA(Adaptive Sensing Technology for Responsive Autonomy) 팀은 2026년 7월 미국 Virginia Tech Transportation Institute에서 다음 세 종류의 로봇으로 구성된 이기종 과학탐사 군집을 시험했다.

• 환경·과학 센서로 관심지역을 탐색하는 드론
• LiDAR로 지형과 장애물을 정밀 매핑하는 탐사 로버
• 로봇 팔로 물리적 시료를 채취하는 샘플링 로버

인간 과학자는 초기 과학목표, 선호도 및 위험 허용수준을 제공한다. 이후 AI는 다음 요소를 함께 고려해 임무를 배분하고 계획을 수정한다.

\[ \text{Action Utility} = \text{Expected Scientific Value} -\text{Risk} -\text{Travel/Resource Cost} \]

즉, 단순한 경로계획이나 사전 작성된 임무 실행이 아니라 다음을 통합한다.

1. 관심지역 자율 선택
2. 로봇별 capability를 고려한 임무 할당
3. 과학적 가치와 위험의 다기준 비교
4. 환경변화와 새 관측에 따른 온라인 재계획
5. 드론–매핑 로버–샘플링 로버 간 협업
6. 판단 과정과 진행상황의 인간 연구팀 보고

추가 관심지역에 동적으로 대응하다

시험 중 선도 드론이 원래 계획에 없던 추가 관심지역을 발견했다. 시스템은 기존 목표를 무조건 중단하거나 새 발견을 무시하지 않고 다음과 같이 대응했다.

• 현재 임무를 유지하면서 새 기회의 과학적 가치를 평가
• 다른 로봇 자산의 가용성과 이동거리·위험을 계산
• 별도의 로봇을 새 관심지역 조사에 투입
• 전체 임무목표와 후속 발견을 병렬적으로 처리

이는 Autonomous Science Lab의 폐루프를 실험실 밖으로 확장한 사례다.

\[ \text{Observe} \rightarrow \text{Identify Opportunity} \rightarrow \text{Evaluate Value/Risk} \rightarrow \text{Allocate Agent} \rightarrow \text{Collect Evidence} \]

NASA 발표는 신규 관심지역을 발견한 드론이 현재 임무를 유지하며 다른 로봇 자산을 추가 조사에 투입했다고 설명한다. 정량적인 탐지 정확도나 표본 수는 제시하지 않는다.

고정된 실험실과 무엇이 다른가

기존 self-driving laboratory는 대부분 고정된 장비와 통제된 환경에서 화학반응·재료조성·공정조건을 최적화한다. ASTRA는 다음 점에서 차별화된다.

따라서 이를 Field-Deployable Autonomous Science Lab 또는 Mission-Oriented Embodied AI Scientist의 초기 사례로 분류할 수 있다.

공식 발표가 아직 말하지 않는 것

현재 발표만으로는 다음 사항을 판단할 수 없다.

• 과학적 관심지역 판별의 정밀도와 재현율
• 인간이 개입한 횟수와 자율성 수준
• 실패율과 통신단절·센서오류 복구 성능
• 의사결정 불확실성의 calibration
• 인간 선호와 실제 행동의 정렬 정도
• 새로운 관측이 기존 가설을 어떻게 수정했는지
• 타 지형·타 임무로의 일반화 가능성
• 독립적 재현시험과 장기간 무인운용 성능

정량 평가와 방법 세부사항을 담은 동료심사 논문이 아직 확인되지 않았으므로, 현 단계에서는 “과학적 성능이 입증된 완성형 자율과학자”보다 공식 현장검증을 마친 연구개발 프로토타입으로 해석하는 것이 타당하다.

ETRI 연구를 위한 증거 그래프 의제

이번 사례는 ETRI의 “국가미션을 수행하는 임무중심 피지컬 AI”와 직접 연결된다. 특히 다음 연구주제가 유망하다.

1. Mission-aware multi-agent orchestration
   로봇 능력, 과학적 정보가치, 시간, 위험과 통신상태를 동시에 고려하는 멀티에이전트 임무 할당

2. STRATA 연계
   드론 관측→추가 관심대상 발견→로버 배정→시료채취로 이어지는 time-respecting evidence path를 추적하고, 통신·임무 변화에 따른 causal frontier를 증분 유지

3. AssayKG-RAG 개념 확장
   assay 조건 대신 센서, 위치, 시간, 지형, 장비상태 및 관측조건을 qualifier로 갖는 현장과학 HRKG 구축

4. TxAgentRAG 구조 재사용
   Planner–Retriever–Critic–Checker 구조를 Mission Planner–Sensor Retriever–Risk Critic–Safety Checker로 전환 가능

5. SGI D1–D7 평가 적용
   특히 다음 항목을 ASTRA형 시스템 평가에 적용할 수 있다.

   • D1: 과학적 목표와 가설의 조작적 정의
   • D2: 관측·시료·센서 provenance
   • D3: 가설을 반박하는 관측의 처리
   • D4: 지형·시간·센서조건 인식
   • D5: 불확실성·위험·abstention
   • D6: 새 증거에 따른 계획과 믿음 수정
   • D7: 다른 지역과 로봇 구성에서의 재현성

가장 중요한 연구기회는 “가치가 높은 새 현상을 발견했다”는 판단을 단순한 점수로 끝내지 않고, 어떤 관측과 조건이 그 판단을 만들었으며 후속 조사가 기존 가설을 어떻게 지지·기각했는지를 감사 가능한 증거 그래프로 기록하는 것이다. 이는 기존 NASA 발표에서 아직 구체적으로 다루지 않은 영역이며, ETRI의 HRKG·Agentic RAG·시간 그래프 기술을 결합할 수 있는 분명한 차별화 지점이다.