TL;DR

  • Ambi Robotics가 AmbiOS의 그래프 기반 정책(Graph-as-Policy) 에이전트형 로봇공학 하네스를 적용해 수주가 걸릴 패키지 배치 문제를 10시간 만에 해결하고, 검증된 솔루션을 미국 로봇 운영 규모의 30%에 배포함.
  • 하네스는 클라우드의 실제 로봇 이벤트 데이터와 시뮬레이션 재생을 활용하고, 기존 로봇 스킬로 구성된 계산 그래프를 에이전트가 수정하도록 제한함.
  • 문제는 봉투 입구에 간신히 들어갈 패키지의 크기와 자세 추정 오차로 재시도가 발생해, 로봇 한 대당 연간 약 3만 1,000건의 처리 용량이 줄어들 수 있는 상황임.
  • Claude Sonnet 4.6과 Opus 4.8을 사용한 에이전트가 지난주 생산 이벤트 500건을 분석해 세 가지 가설을 만들었으며, 그중 H3가 실제 A/B 테스트에서 시간당 처리량을 4.2건 높임.
  • H3는 표준 운영 기준 로봇 한 대당 연간 1만 5,725건의 추가 분류량으로 환산되며, 실제 패키지를 처리하는 Ambi Robotics 로봇 운영 규모의 30%에 적용됨.

배경과 AmbiOS 에이전트형 로봇공학 하네스

  • 상업 운영 로봇의 성능을 개선하려면 엔지니어가 영상, 이미지, 센서 데이터, 로그를 오프라인으로 검토하고, 근본 원인을 가정한 뒤 업데이트를 시험해야 하므로 시간이 많이 들고 도메인 지식이 필요함.
  • 에이전트형 로봇공학(Agentic Robotics)은 인공지능(AI) 코딩 에이전트가 데이터를 자동 분석하고 문제를 찾아 해결해 로봇 성능을 개선하는 접근법임. 빠르게 발전하는 AI 코딩과 고전적 모델 기반 로봇공학 모듈, 학습된 모델 프리 정책을 결합하며, 실제 로봇 문제를 풀도록 AI 코딩 시스템을 이끄는 하네스가 필요함.
  • Code-as-Policy(CaP) [1, 2]와 Graph-as-Policy(GaP) [3] 등 연구는 관련 로봇 스킬 라이브러리를 사용하도록 에이전트를 제한하는 하네스가 신뢰도 높은 로봇 제어 시스템을 빠르게 생성할 가능성을 보여줌.
  • AmbiOS 에이전트형 로봇공학 하네스는 GaP를 기반으로 기존 로봇 스킬로 구성된 계산 그래프를 업데이트함.
  • 하네스가 에이전트에 제공하는 핵심 기반 시설은 다음 두 가지임.
  • 클라우드에 저장된 실제 로봇 이벤트 데이터에 접근하며, 알려진 성공·실패 유형으로 데이터를 필터링함.
  • 시뮬레이션 환경에서 이벤트를 재생하고, 새로 생성한 동작과 그래프 변경을 시험해 결과를 평가함.
  • 하네스는 에이전트의 작업 방식을 제한해 최종 결과가 안전 점검과 오류 처리를 훼손하지 않고 실행되도록 함.
  • 그림 1은 실제 생산 로봇의 성능 개선을 위한 AmbiOS 에이전트형 로봇공학 하네스의 아키텍처임.

해결 과제

  • AmbiSort 로봇은 로봇 팔로 무작위 패키지를 집어 스캔한 뒤 배치하고, 갠트리가 패키지를 받아 우편번호 등의 정보에 따라 봉투에 분류함. 패키지는 고정된 크기의 봉투 입구를 통과해야 하며, 끼임 없이 봉투 안으로 들어가야 함.
  • AmbiOS 에이전트형 로봇공학 하네스는 처리량, 분류 정확도, 가동 시간에 영향을 주는 미세한 예외 사례 문제에 적용됨. 밀리미터 수준의 부정확성도 처리량에 큰 영향을 줄 수 있음.
  • 봉투 입구에 간신히 들어가는 패키지는 센서 잡음과 물체 변형 때문에 로봇 팔이 크기와 자세를 완벽하게 추정할 수 없어 다루기 어려움.
  • 로봇은 공간 활용을 극대화하려고 패키지의 짧은 면이 봉투 안으로 들어가도록 배치하는 경향이 있음. 이 때문에 예외 사례 패키지가 봉투 입구보다 너무 넓은 방향으로 놓여 시스템이 패키지를 거부하고 재시도하며 시간이 소모됨.
  • 하루 12시간, 주 6일 운영하는 일반 시설을 기준으로 이 문제가 로봇 한 대당 연간 약 3만 1,000건의 분류 처리량 감소를 초래하는 것으로 추정됨. 수작업으로 조정해 해결하려면 엔지니어링 작업에 몇 주가 걸릴 문제임.
  • 그림 2의 사례에서는 들어 올린 패키지가 약간 처지면서 로봇이 너비를 과소평가하고 부적절한 방향으로 배치함. 갠트리가 패키지를 입력 통으로 되돌려 재시도하면서 시간이 소모됨.
  • Anthropic의 Claude Sonnet 4.6과 Opus 4.8을 포함한 모델을 하네스에 적용함. 에이전트는 지난주 생산 이벤트 500건의 이미지와 데이터를 분석했으며, 절반은 알려진 실패 유형이고 나머지 절반은 성능 퇴행을 막기 위해 무작위로 선정한 이벤트임.
  • 에이전트는 10시간 안에 세 가지 해결 가설을 생성하고 평가함.

결과

  • 세 가지 가설을 고객 창고의 실제 생산 환경 A/B 테스트에 배포하고, 각 솔루션을 기준 소프트웨어 버전과 비교한 10일 후 결과는 다음과 같음.
  • H1: 로봇 한 대당 연간 분류량 374건 감소
  • H2: 로봇 한 대당 연간 분류량 1,497건 감소
  • H3: 로봇 한 대당 연간 분류량 15,725건 증가
  • 표 1은 실제 생산 로봇에 배포한 세 가지 A/B 테스트 솔루션의 처리량과 연간 예상 패키지 수를 비교함.
  • H3에서 에이전트는 크고 늘어진 봉투와 종이 우편물의 경우, 목적지 봉투에 들어가도록 방향을 맞추는 일과 배치 플랫폼의 격자에 걸릴 수 있는 배치를 피하는 일 사이의 균형을 세밀하게 조정해야 한다고 파악함.
  • 에이전트는 이 균형을 최적화하고, 최종 방향을 더 예측하기 쉬운 결과를 내기 위해 늘어진 물체 배치 계획 하위 그래프를 통과하는 패키지 수를 늘림. 또한 납작한 물체는 봉투보다 최종 정지 위치를 예측하기 쉬우므로, 납작한 물체 하위 그래프가 최종 방향만 최적화하도록 변경함.
  • 실제 생산 A/B 테스트에서 H3는 시간당 처리량을 패키지 4.2건 높임. 하루 12시간, 주 6일 운영 기준으로 로봇 한 대당 연간 1만 5,000건 초과의 추가 패키지 처리량에 해당함.
  • 그림 3은 생산 환경에서 거의 동일한 패키지에 대한 S3 적용 전후의 배치 동작을 보여줌.

결론

아는 한, 에이전트형 로봇공학이 실제 생산 문제를 해결한 것은 이번이 처음임.

  • 솔루션은 실제 패키지를 분류하는 Ambi Robotics 로봇 운영 규모의 30%에서 연중무휴로 가동 중임.
  • Ambi Robotics는 성능 개선을 가속하기 위해 AmbiOS 에이전트형 로봇공학 하네스를 다른 여러 생산 문제에도 적용 중임.

참고 문헌

  • [1] Jacky Liang 외, “정책으로서의 코드: 체화 제어를 위한 언어 모델 프로그램(Code as Policies: Language Model Programs for Embodied Control),” 2023 IEEE 국제 로봇 및 자동화 학회(ICRA), IEEE, 2023.
  • [2] Letian Fu 외, “CaP-X: 로봇 조작을 위한 코딩 에이전트 벤치마킹 및 개선 프레임워크(CaP-X: A Framework for Benchmarking and Improving Coding Agents for Robot Manipulation),” arXiv 사전 공개 논문 arXiv:2603.22435(2026), 2026년 7월 국제 기계학습 학회(ICML).
  • [3] Kaiyuan Chen 외, “GaP: 변분 자동화 작업을 위한 그래프 기반 정책 다중 에이전트 자기 학습 하네스(GaP: A Graph-as-Policy Multi-Agent Self-Learning Harness For Variational Automation Tasks),” arXiv 사전 공개 논문 arXiv:2607.05369, 2026년 11월 로봇 학습 학회(CoRL) 발표 예정.