AI, 자율 이동 보조 의자 개발에 집중

DFKI 연구팀이 공개한 REXASI-PRO 프로젝트는 전동 휠체어에 두 개의 LiDAR, 3D 카메라, 오도미터를 장착하고 ROS2 Nav2 내비게이션 스택 위에 SLAM 기반 지도 생성과 로컬 장애물 회피 모션 컨트롤러를 결합한 구조다. 반자율 모드에서는 조이스틱으로 shared control이 동작하고, 자율 모드에서는 "커피 머신으로 데려다 줘" 같은 자연어 입력이 목적지 goal로 변환되어 Nav2가 경로를 계획한다. 여기에 드론 기반 RGB-D 카메라까지 포함한 방 전체의 외부 센서 데이터를 융합해 안전 레이어를 구성하는데, 이는 휠체어 단독 인지만으로는 커버하기 어려운 사각지대와 사람 밀집 환경을 다루기 위한 전형적인 multi-agent perception 접근이다. 첨부 자료에서 보이는 laser scan, point cloud, virtual laser scan, grid map, 그리고 높이별 로봇 형상(robot shape collection) 표현은 safety-critical 내비게이션에서 표준적으로 사용되는 환경 추상화 계층이다.

엔지니어 관점에서 이 사례가 주는 의미는 "완전 자율 = 최선"이 아니라는 점이다. Braze Mobility의 Viswanathan과 IRISA의 Devinge가 공통으로 지적하는 것은 센서·연산·자율성을 늘릴수록 통신 동기화, 실환경 신뢰성, 비용, 개별 사용자의 인지·운동 특성 차이라는 제약이 급격히 커진다는 점이다. 즉 assistive 도메인에서는 edge case가 곧 사용자의 안전이며, lab demo에서 잘 돌아가는 SLAM/Nav2 파이프라인이 실내 조명 변화, 반사면, 혼잡한 복도에서 어떻게 degradation되는지를 체계적으로 다루지 않으면 제품화가 불가능하다. 또한 "explainable AI"가 선택사항이 아니라 규제·조달·신뢰 확보의 필수 조건이라는 발언은, AI 기능을 의료·모빌리티 도메인에 적용하려는 한국 개발자들에게도 동일하게 적용된다.

한국의 소프트웨어 엔지니어가 이 흐름에서 실질적으로 참고할 포인트는 세 가지다. 첫째, ROS2 Nav2 생태계는 더 이상 로봇 전공자만의 도구가 아니라 assistive tech, 물류, 서비스 로봇 전반의 공통 기반이 되고 있어, behavior tree 기반 내비게이션, costmap 플러그인, MPC/TEB 로컬 플래너 같은 구성요소를 최소한 읽을 수 있는 수준은 확보해둘 가치가 있다. 둘째, 자연어 명령을 goal로 변환하는 파이프라인은 LLM + grounding + 안전 검증(사용자 confirm/reject 단계)이라는 패턴으로 수렴하고 있으며, 이는 최근 국내에서도 많이 다루는 LLM agent 설계와 거의 동일한 구조이므로 "LLM이 생성한 action을 그대로 실행하지 않고 deterministic safety layer에서 검증한다"는 원칙을 설계 단계에서부터 내장해야 한다. 셋째, Mandel이 "중증 장애인이 좁은 통로를 얼마나 잘 지나가는지 과소평가하지 말라"고 말한 부분은 UX·HCI 설계의 본질을 짚는다. 사용자를 대체하려는 자동화보다, 사각지대 알림처럼 사용자 능력을 증강하는 add-on 방식이 단기적으로는 훨씬 높은 ROI를 낸다는 점을 제품 기획·기술 선정 단계에서 항상 먼저 검토해야 한다.