Robust.AI

이 문서는 자라는 중인 질문입니다. 아직 증거를 모으고 있으며, 내용이 바뀔 수 있습니다.

Robust.AI는 창고 로봇을 “사람 대신 움직이는 기계”가 아니라 “사람 옆에서 일을 나눠 맡는 장비”로 읽게 만드는 회사야. 창고와 제조 현장은 조명, 먼지, 반사 포장재, 사람 동선, 지게차가 섞여 있어서 로봇이 길을 찾는 것만으로는 부족하거든.

그래서 이 회사를 볼 때의 핵심은 Carter가 얼마나 똑똑한가 하나가 아니야. 현장 안에서 사람과 부딪히지 않고, 멈춤을 줄이고, 기존 작업 흐름에 얼마나 낮은 마찰로 들어가는지가 먼저야.

한 줄로 말하면

Robust.AI는 Carter 협동 모바일 로봇으로 창고와 제조 현장의 피킹·운반·분류 작업을 겨냥하는 회사이고, Physical AI가 실제 물류 현장에서 센서·안전·배포 모델을 어떻게 묶는지 볼 때 반복해서 등장할 이름이야.

무엇인가

지금 로컬 근거에서 가장 단단하게 확인되는 대상은 Carter야. Carter는 창고와 제조 현장에서 주문 피킹, 지점 간 운반, 모바일 분류 같은 작업을 맡도록 설계된 협동 모바일 로봇으로 설명돼.¹

Robust.AI는 Carter를 기존 시설에 빠르게 넣을 수 있는 자동화 장비로 포지셔닝한다. 발표에서는 소프트웨어로 여러 작업을 맡기고, 추가 하드웨어 투자 없이 기능을 바꾸며, 성과 기반 RaaS 모델로 배포할 수 있다고 설명했어.¹ RaaS는 Robotics as a Service의 줄임말이고, 로봇을 한 번에 사는 방식보다 사용량이나 성과에 맞춰 쓰는 모델에 가깝다.

왜 계속 등장하는가

첫째, 창고 AMR은 로봇 상용화가 숫자로 검증되는 영역이기 때문이야. 데모 영상보다 중요한 건 가동 시간, 회피 실패, 비상정지, 재시작 시간, 작업자 이동 거리, 처리량 같은 운영 지표야. Robust.AI가 의미 있으려면 Carter가 이 숫자를 실제 고객 현장에서 바꿔야 해.

둘째, 이 회사는 사람 협업을 전면에 둔다. 완전히 무인화된 창고를 새로 짓는 쪽보다, 기존 작업자와 시설 안에 로봇을 끼워 넣는 쪽에 가까워. 이 접근은 초기 도입 장벽을 낮출 수 있지만, 그만큼 안전 인식과 예외 처리 품질이 더 중요해진다.

셋째, Gen 3 Carter가 Aptiv Pulse 기반 카메라·레이더 인식 시스템을 채택했다는 신호가 나왔어. 이 사건은 Carter 로봇의 눈은 카메라만으로 부족했다에서 다뤘듯이, 창고 로봇 경쟁이 몸체 자체보다 안전 인증을 향한 센서 융합 묶음으로 이동하고 있음을 보여줘.

이 대상을 볼 때의 핵심 축

flowchart LR
    A["현장 작업"] --> B["Carter 로봇"]
    B --> C["vSLAM·AI perception"]
    C --> D["카메라·레이더 융합"]
    D --> E["안전 운용·처리량"]
    E --> F["반복 배포"]

• 작업 흐름 축. Carter가 피킹, 운반, 분류 중 어느 작업에서 가장 강한지 봐야 해. 같은 창고 로봇이라도 맡는 작업이 다르면 필요한 센서와 소프트웨어가 달라진다.
• 사람 협업 축. 사람, 지게차, 팔레트가 섞인 공간에서 얼마나 부드럽게 멈추고 다시 움직이는지가 중요해. 사람 옆에서 일하려면 인식 품질과 안전 프레임워크가 같이 필요하다.
• 센서 융합 축. Aptiv Pulse 채택은 카메라 단독보다 레이더와 비전을 일찍 섞는 방향을 보여줘. 이 조합이 실제로 사각지대와 오작동을 줄이는지는 현장 지표로 확인해야 해.
• 배포 모델 축. 성과 기반 RaaS가 고객의 초기 비용을 낮추는지, 아니면 유지보수·서비스 책임을 Robust.AI 쪽에 더 크게 남기는지 봐야 해.

최근 관찰된 신호

2026년 7월 Robust.AI는 Gen 3 Carter에 Aptiv의 Pulse 센서 기반 인식 시스템을 쓰기로 했다고 공개됐어. 발표는 Pulse가 surround-view camera와 ultra-short-range radar를 함께 쓰고, raw sensor detection을 AI/ML로 early fusion해 depth map과 occupancy grid를 만든다고 설명했어.¹

이 신호가 중요한 이유는 창고가 깨끗한 실험실이 아니기 때문이야. 발표는 창고, 제조 현장, cold storage 같은 환경에서 장애물, 먼지, glare, moisture change, reflective surface가 기존 인식 시스템을 흔들 수 있다고 말해.¹

다음 관찰점은 현장 숫자야. Carter가 실제 고객 창고에서 몇 대 배포됐는지, 카메라·레이더 조합이 비상정지와 재시작 시간을 얼마나 줄였는지, PL(d) 인증 경로가 어느 구성과 작업 조건까지 덮는지를 봐야 한다.

헷갈리지 말아야 할 점

• Aptiv Pulse 채택은 성과 증명이 아니야. 센서 융합 방향은 중요한 신호지만, 실제 현장 처리량과 안전 지표가 따라와야 Robust.AI의 경쟁력으로 읽을 수 있어.
• Carter는 범용 휴머노이드가 아니야. 이 회사의 출발점은 사람 모양 로봇보다 창고·제조 작업 흐름 안에 들어가는 협동 모바일 로봇에 가까워.
• RaaS는 비용을 없애는 말이 아니야. 초기 구매 부담을 낮출 수는 있지만, 서비스 가격, 유지보수 책임, 성과 측정 기준을 봐야 경제성이 읽힌다.
• PL(d) 경로와 인증 완료는 구분해야 해. 발표는 Aptiv가 관련 산업 안전 용도에서 PL(d) 인증을 향해 가고 있다고 설명했지만, 어떤 범위가 실제 인증됐는지는 별도 원문이 필요해.

이어서 읽기

Gen 3 Carter의 센서 선택은 Carter 로봇의 눈은 카메라만으로 부족했다에서 먼저 읽으면 좋아. 이 글은 Robust.AI 자체보다 카메라·레이더 융합과 창고 안전 인증의 의미를 중심으로 정리했어.

비교 대상으로는 Locus Robotics가 있어. Locus Robotics는 냉장 창고와 피킹 작업 흐름에서 AMR이 어떤 운영 숫자로 검증되는지를 보여주는 쪽이고, Robust.AI는 Carter를 통해 사람 협업형 창고 자동화를 읽게 만든다.

더 큰 배경은 Physical AI야. 로봇이 연구실 밖으로 나올 때 모델, 센서, 몸체, 안전 인증, 현장 지원이 왜 한 묶음이 되는지 이어서 볼 수 있어.

남은 질문들

• Carter의 공식 하드웨어 구성과 작업 범위는 어디까지인가?
• Robust.AI의 고객 현장에서는 몇 대가 어떤 작업을 얼마나 오래 맡고 있나?
• Gen 3 Carter의 Aptiv Pulse 통합은 비상정지, 재시작, 회피 실패, 처리량을 실제로 얼마나 바꾸나?
• PL(d) 인증 경로는 어떤 센서 구성, 속도, 작업 환경에 적용되나?
• 성과 기반 RaaS 모델은 고객 비용과 Robust.AI의 서비스 책임을 어떻게 나누나?

각주

1. Robotics & Automation News/Sam Francis, 「Robust.AI selects Aptiv’s AI-powered perception system for next-generation Carter warehouse robot」(2026-07-07) 기사. ↩︎ ↩︎² ↩︎³ ↩︎⁴