인공지능과 디지털트윈이 결합된 자율 지하물류의 미래
지하물류 시스템이 도시의 실제 물류 인프라로 발전하려면 열차에 화물을 싣고 AGV가 정해진 경로를 이동하는 자동화 수준을 넘어야 한다. 앞으로의 지하물류는 열차 운행상태, 역사 혼잡도, 화물 수요, 물류거점 재고, 장비 상태를 실시간으로 분석하고 상황에 따라 스스로 운영계획을 조정하는 방향으로 발전할 가능성이 크다.
이러한 변화의 중심에는 인공지능과 디지털트윈이 있다. 디지털트윈이 실제 지하물류 시스템의 상태를 가상공간에 표현하는 기반이라면, 인공지능은 수집된 데이터를 분석해 미래 상황을 예측하고 적절한 운영대안을 찾는 역할을 한다.
하지만 인공지능이 적용됐다고 해서 곧바로 자율 지하물류가 완성되는 것은 아니다. 열차, 역사, 물류로봇, 엘리베이터, MFC, 배송수단이 서로 연결돼야 하며, 인공지능이 어떤 조건에서 어떤 결정을 내릴 수 있는지도 명확하게 정의해야 한다.
특히 도시철도는 승객 안전과 정시성이 최우선인 공공교통수단이다. 지하물류의 자율화는 물류 효율을 높이는 범위에서 추진돼야 하며, 철도 운영의 안전권한을 침해해서는 안 된다. 따라서 미래의 자율 지하물류는 완전한 무인화보다 사람과 인공지능이 역할을 분담하는 지능형 운영체계로 발전할 가능성이 높다.
자동화와 자율화는 다르다
현재의 물류 자동화는 사람이 미리 정한 규칙에 따라 장비가 반복적으로 작업하는 방식이 중심이다. AGV는 지정된 경로를 이동하고, 자동분류설비는 등록된 목적지에 따라 화물을 분류한다. 열차 운송도 사전에 작성된 일정표에 따라 수행된다.
이러한 자동화는 반복작업의 효율을 높이지만 예상하지 못한 상황에 유연하게 대응하기 어렵다. 열차가 지연되거나 엘리베이터가 고장 나면 운영자가 새로운 작업계획을 만들어야 한다. 승객이 갑자기 증가하거나 도착역 MFC가 포화상태가 되면 기존 규칙만으로는 적절한 판단을 내리지 못할 수 있다.
자율화는 시스템이 현재 상황을 인식하고 목표와 제약조건을 고려해 대안을 선택하는 단계다. 열차가 지연됐을 때 화물을 다음 열차로 재배정하고, 혼잡한 통로를 피해 AGV의 경로를 변경하며, MFC의 예상 재고량을 분석해 추가 반입을 제한하는 기능이 포함될 수 있다.
자율화의 수준도 여러 단계로 구분할 수 있다. 초기에는 인공지능이 운영자에게 대응방안을 추천하고 사람이 최종 결정을 내리는 방식이 적절하다. 이후 반복적이고 위험도가 낮은 업무부터 자동승인을 적용할 수 있다.
예를 들어 AGV의 충전순서 조정이나 일반화물의 작업순서 변경은 자동화할 수 있다. 반면 전체 역사에서 물류운영을 중단하거나 긴급화물을 다른 노선으로 전환하는 결정은 운영자의 승인이 필요할 수 있다.
디지털트윈은 인공지능의 학습환경이 된다
인공지능이 정확한 판단을 내리려면 충분한 데이터와 다양한 상황에 대한 학습이 필요하다. 그러나 실제 지하역사에서 사고와 장애를 반복적으로 발생시켜 데이터를 수집할 수는 없다.
디지털트윈은 현실에서 얻기 어려운 상황을 가상으로 생성해 인공지능을 학습하고 검증하는 환경으로 활용될 수 있다. 화물량과 승객 수, 열차 지연시간, AGV 고장 위치, 엘리베이터 상태를 변경하며 수많은 운영 시나리오를 실행할 수 있다.
예를 들어 특정 역사에서 화물량이 갑자기 두 배로 증가했을 때 어떤 병목이 발생하는지 분석할 수 있다. 열차 지연과 엘리베이터 고장이 동시에 발생했을 때 화물을 어느 경로로 우회해야 하는지도 반복적으로 시험할 수 있다.
실제 데이터만으로 학습하면 자주 발생하는 정상상황에 대한 성능은 높아질 수 있지만 드물게 발생하는 대형 장애와 재난에 대한 대응능력은 부족할 수 있다. 디지털트윈은 이러한 희소상황 데이터를 보완할 수 있다.
다만 가상데이터가 현실과 지나치게 다르면 인공지능이 잘못된 패턴을 학습할 수 있다. 따라서 디지털트윈 모델은 실제 운영데이터와 비교해 지속적으로 보정해야 한다. 가상환경에서 성능이 우수한 알고리즘이라도 현장 실증을 통해 별도로 검증해야 한다.
인공지능 기반 물류수요 예측
자율 지하물류의 첫 번째 활용분야는 물류수요 예측이다. 화물량은 요일과 시간대, 계절, 날씨, 온라인 쇼핑행사, 지역행사에 따라 달라질 수 있다.
과거 주문량과 역사별 배송수요, 기상정보, 행사일정 등을 분석하면 특정 시간대에 어느 정도의 화물이 발생할지 예측할 수 있다. 이를 바탕으로 필요한 열차 적재공간과 AGV 수, 작업인력, MFC 보관공간을 미리 준비할 수 있다.
수요예측이 정확해지면 장비와 공간을 불필요하게 대기시키는 시간을 줄일 수 있다. 반대로 예상보다 많은 화물이 도착해 MFC가 포화되는 상황도 예방할 수 있다.
승객 수요 예측과 함께 활용하는 것이 중요하다. 화물량이 많더라도 승객 혼잡도가 높은 시간대에는 운송을 제한해야 할 수 있다. 인공지능은 화물수요와 승객수요를 동시에 분석해 물류작업이 가능한 시간대를 추천할 수 있다.
하지만 수요예측은 언제나 오차를 가진다. 예측값 하나만을 기준으로 계획을 확정하기보다 예상범위와 신뢰도를 함께 제공해야 한다. 갑작스러운 주문 증가나 행사 변경에 대응할 수 있도록 예비용량과 대체계획도 마련해야 한다.
열차와 화물의 실시간 자동 배정
지하물류 운영에서는 어떤 화물을 어느 열차에 배정할지가 중요하다. 현재는 사전에 작성된 스케줄과 운영자의 판단을 이용할 수 있지만, 미래에는 인공지능이 실시간 상태를 분석해 배정계획을 조정할 수 있다.
열차별 혼잡도와 도착 예정시간, 이용 가능한 화물공간을 확인하고, 화물의 목적지와 배송기한, 보관조건을 비교해 가장 적절한 운송편을 선택할 수 있다.
예를 들어 긴급배송이 필요한 의약품은 빠른 열차에 우선 배정하고, 일정 지연을 허용할 수 있는 일반화물은 다음 열차로 이동시킬 수 있다. 도착역 MFC가 혼잡하다면 인접 역사로 보내 최종 배송경로를 조정하는 방법도 가능하다.
실시간 자동 배정은 처리량만을 최대화해서는 안 된다. 열차 정시성, 승객 안전, MFC 처리능력, 배송비, 에너지 사용량을 함께 고려해야 한다. 여러 목표 사이의 균형을 찾는 다목적 최적화가 필요하다.
운영자는 인공지능이 어떤 이유로 특정 열차와 경로를 추천했는지 확인할 수 있어야 한다. 결과만 제시하는 구조보다 예상 배송시간, 비용, 위험도, 대체안의 차이를 함께 보여주는 방식이 바람직하다.
AGV·AMR 군집운영의 지능화
여러 대의 AGV와 AMR이 동시에 운행되면 개별 로봇의 최단경로만 계산해서는 안 된다. 각 장비가 같은 통로나 엘리베이터에 몰리면 병목과 충돌 가능성이 증가할 수 있다.
인공지능은 전체 로봇의 위치와 작업, 배터리 상태를 분석해 작업을 분산할 수 있다. 가까운 로봇이 반드시 가장 효율적인 장비는 아닐 수 있다. 현재 화물의 긴급성과 이후 예정된 작업까지 고려해 장비를 배정해야 한다.
엘리베이터 사용순서를 조정하고 좁은 통로에서는 일방통행을 적용할 수 있다. 승객 혼잡도가 높아지면 일부 로봇을 안전대기구역으로 이동시키고 다른 경로를 사용하는 방식도 가능하다.
배터리 관리도 지능화할 수 있다. 모든 로봇이 배터리가 부족해진 뒤 동시에 충전하면 물류운영이 중단될 수 있다. 인공지능은 향후 작업량을 예측해 일부 장비를 교대로 충전하고 충분한 운행대수를 유지할 수 있다.
다만 안전과 관련된 핵심기능은 중앙 인공지능에만 의존해서는 안 된다. 사람과 장애물 감지, 감속, 비상정지는 각 로봇이 독립적으로 수행해야 한다. 중앙 시스템은 전체 최적화를 담당하고 현장장비는 즉각적인 안전을 담당하는 분산구조가 필요하다.
예지정비로 운영중단을 줄이는 방법
지하물류 시스템이 확대되면 AGV, 엘리베이터, 분류설비, 충전장치 등 관리해야 할 장비가 증가한다. 장비가 고장 난 뒤 수리하는 방식만으로는 전체 운영의 안정성을 유지하기 어렵다.
인공지능은 장비의 진동, 온도, 전력사용량, 배터리 성능, 오류기록을 분석해 고장 가능성을 예측할 수 있다. 평소와 다른 패턴이 나타나면 운영중단 전에 점검을 계획할 수 있다.
예를 들어 AGV의 모터 온도가 지속적으로 상승하고 배터리 소모속도가 빨라진다면 가까운 시점에 고장이 발생할 가능성이 있다. 해당 장비를 혼잡시간 전에 정비하고 다른 로봇으로 작업을 재배정할 수 있다.
엘리베이터의 문 개폐시간이나 진동변화도 고장예측에 활용할 수 있다. 지하물류에서 엘리베이터는 대체경로가 제한된 핵심설비이므로 고장을 미리 발견하는 가치가 크다.
예지정비는 모든 이상신호를 즉시 고장으로 판단해서는 안 된다. 지나치게 민감한 경보는 불필요한 정비와 운영중단을 증가시킬 수 있다. 실제 고장이 발생한 사례와 정비결과를 다시 학습해 정확도를 개선해야 한다.
물류관제는 예측관제로 발전한다
기존 관제는 현재 상태를 확인하고 장애가 발생한 뒤 대응하는 방식이 중심이다. 인공지능과 디지털트윈이 결합되면 문제가 발생하기 전에 위험을 예측하는 관제로 발전할 수 있다.
열차 도착시간과 AGV 작업속도를 분석해 적재 마감시간을 지키지 못할 가능성을 미리 알려줄 수 있다. MFC의 현재 재고와 예정 입고량을 이용하면 몇 시간 뒤의 포화 여부도 예측할 수 있다.
승객 흐름과 열차 도착정보를 분석해 특정 통로가 혼잡해지기 전에 로봇 경로를 변경할 수 있다. 엘리베이터 대기시간이 증가할 것으로 예상되면 화물 이동시점을 조정할 수도 있다.
예측관제의 핵심은 경고를 많이 발생시키는 것이 아니다. 운영자가 실제로 조치할 수 있는 시간 안에 의미 있는 정보를 제공해야 한다.
너무 이른 경고는 상황이 변해 불필요한 대응으로 이어질 수 있고, 너무 늦은 경고는 작업을 조정할 시간이 부족하다. 장애 유형과 대응시간을 고려해 적절한 예측시점을 설정해야 한다.
자율 의사결정에는 명확한 한계가 필요하다
인공지능이 운영대안을 추천하거나 일부 결정을 자동으로 수행하더라도 권한의 범위를 명확하게 제한해야 한다.
안전과 열차 운행에 관련된 최종 결정은 철도 운영체계와 책임 있는 사람이 담당해야 한다. 인공지능은 화물운송을 위해 열차 출발을 늦추거나 승객 공간을 임의로 변경할 수 없어야 한다.
자동화할 수 있는 업무는 반복적이고 영향범위가 제한되며 결과를 쉽게 복구할 수 있는 작업부터 선정하는 것이 적절하다. AGV 작업순서와 충전계획, 일반화물의 재배정은 자동화 가능성이 높다.
반면 역사 전체의 물류운영 중단, 재난 시 대응, 철도관제와 충돌하는 결정은 사람이 승인해야 한다. 인공지능의 오판이 발생했을 때 즉시 수동으로 전환할 수 있는 기능도 필요하다.
자율화 수준은 기술의 성능만으로 결정해서는 안 된다. 운영기관의 책임구조, 법적 기준, 현장인력의 이해도, 시민 수용성을 함께 고려해야 한다.
설명 가능한 인공지능이 필요한 이유
지하물류 관제에서 인공지능이 특정 대응을 추천했을 때 운영자는 그 근거를 이해할 수 있어야 한다.
예를 들어 시스템이 일부 화물을 다음 열차로 미루라고 제안했다면 현재 열차의 남은 적재시간, 도착역 MFC 재고, AGV 가용성, 배송기한을 함께 보여줘야 한다.
단순히 ‘최적 대안’이라고 표시하면 운영자가 결과를 신뢰하거나 오류를 발견하기 어렵다. 특히 안전과 서비스 중단에 영향을 주는 판단에서는 설명 가능성이 중요하다.
설명 가능한 인공지능은 책임소재를 명확하게 하는 데도 도움이 된다. 어떤 데이터와 규칙을 바탕으로 판단이 이루어졌는지 기록하면 사고 발생 시 의사결정 과정을 분석할 수 있다.
운영자가 인공지능의 추천을 수정하거나 거절한 경우 그 이유도 기록할 수 있다. 이러한 데이터는 알고리즘의 성능과 현장 적합성을 개선하는 데 활용된다.
사이버보안은 자율 지하물류의 핵심 안전요소다
지하물류의 자율화가 확대될수록 데이터와 네트워크에 대한 의존도도 높아진다. 잘못된 데이터가 입력되거나 시스템이 공격받으면 물리적 운영에 영향을 줄 수 있다.
화물 위치정보가 조작되면 잘못된 열차와 역사로 운송될 수 있다. 승객 혼잡정보가 실제보다 낮게 전달되면 AGV가 혼잡구역에 진입할 가능성이 있다.
인공지능 모델 자체가 공격대상이 될 수도 있다. 반복적인 잘못된 데이터를 학습시키면 판단성능이 저하될 수 있다.
따라서 사용자 인증과 접근권한, 데이터 암호화, 통신망 분리, 변경이력 관리가 필요하다. 인공지능이 사용하는 데이터의 출처와 신뢰도도 확인해야 한다.
이상한 명령이나 비정상적인 데이터 변화가 발생하면 자동제어를 중단하고 안전한 수동운영으로 전환할 수 있어야 한다. 사이버보안은 정보보호만의 문제가 아니라 승객과 시설의 물리적 안전에 직접 연결되는 요소다.
디지털 스레드가 자율화의 기반이 된다
자율 지하물류가 안정적으로 운영되려면 요구사항, 설계, 시험, 운영데이터, 인공지능 모델의 변경이 하나의 흐름으로 연결돼야 한다.
어떤 안전요구사항이 어느 센서와 알고리즘으로 구현됐는지 추적할 수 있어야 한다. 알고리즘이 업데이트됐을 때 어떤 시험을 다시 수행해야 하는지도 확인해야 한다.
예를 들어 AGV의 경로선택 알고리즘을 변경하면 이동시간뿐 아니라 승객 안전거리, 제동조건, 엘리베이터 사용규칙에 미치는 영향을 검토해야 한다.
인공지능 모델은 데이터가 축적될수록 계속 변경될 수 있다. 하지만 운영 중인 안전관련 시스템이 검증 없이 자동으로 변하도록 해서는 안 된다. 새로운 모델은 디지털트윈과 시험환경에서 충분히 평가한 뒤 승인절차를 거쳐 적용해야 한다.
이러한 형상관리와 추적성을 제공하는 구조가 디지털 스레드다. MBSE 모델과 디지털트윈, 운영데이터, 인공지능 모델을 연결하면 시스템 변경의 영향을 전 생애주기에서 관리할 수 있다.
지하와 지상 배송까지 연결된 자율 물류망
미래의 지하물류는 역사 내부에서 끝나지 않는다. 도착역 MFC에서 전기화물차, 배송로봇, 자전거, 도보 배송과 연결돼야 실제 도시물류망으로 기능할 수 있다.
인공지능은 화물의 목적지와 배송기한, 지상 교통상황, 배송수단의 위치를 분석해 최종 배송방식을 선택할 수 있다.
가까운 지역은 도보나 자전거 배송으로 처리하고, 부피가 큰 화물은 전기화물차에 배정할 수 있다. 특정 도로가 혼잡하면 배송로봇이나 다른 출구를 이용하는 방안을 검토할 수 있다.
지하철역 하나만 최적화해서는 전체 효과를 얻기 어렵다. 출발 물류센터와 철도구간, 도착역 MFC, 최종 배송을 하나의 네트워크로 분석해야 한다.
여러 역사의 MFC가 연결되면 한 거점에 물동량이 집중될 때 인접 역사로 화물을 분산할 수 있다. 장애가 발생한 역사 대신 다른 역을 이용하는 우회운송도 가능해진다.
디지털트윈은 이러한 도시 전체의 물류망을 가상으로 표현하고 인공지능은 시간과 비용, 에너지, 위험을 고려해 운영대안을 찾을 수 있다.
에너지 최적화와 친환경 운영
자율 지하물류의 목표는 배송속도와 처리량만 높이는 것이 아니다. 장비와 시설의 에너지 사용량을 줄이고 실제 탄소배출 절감효과를 확보해야 한다.
인공지능은 화물량이 적은 시간대에 일부 장비를 대기모드로 전환하고 필요한 AGV만 운행하도록 할 수 있다. 충전시간을 조정해 전력 사용이 집중되는 것을 줄일 수도 있다.
열차 적재율을 높이면 화물 한 단위당 에너지 사용량을 낮출 수 있다. 그러나 지나친 화물집중으로 MFC와 AGV 작업이 늘어나면 전체 에너지 사용량이 증가할 수 있다.
따라서 열차 운송뿐 아니라 역사 내부 이송과 MFC 운영, 최종 배송에 사용되는 에너지를 함께 최적화해야 한다.
디지털트윈에서는 운영전략별 에너지 소비와 탄소배출을 비교할 수 있다. 가장 빠른 배송계획과 가장 친환경적인 계획이 다를 경우 서비스 수준에 따라 대안을 선택할 수 있다.
사람의 역할은 사라지지 않는다
자율화가 확대되면 사람이 필요하지 않을 것이라고 생각하기 쉽다. 그러나 지하물류에서는 오히려 사람의 역할이 단순작업에서 감독과 판단, 안전관리로 변화할 가능성이 크다.
관제요원은 모든 장비를 직접 조작하는 대신 인공지능의 추천과 시스템 상태를 검토한다. 비정상 상황에서 자동대응이 적절한지 판단하고 기관 간 협력을 조정한다.
현장 작업자는 반복적인 운반업무보다 장비점검, 예외화물 처리, 장애복구를 담당할 수 있다. 디지털트윈을 활용한 훈련과 데이터 분석 역량도 중요해진다.
인공지능이 많은 결정을 지원하더라도 최종 책임과 윤리적 판단은 사람에게 남는다. 안전과 시민 편의가 물류효율과 충돌할 때 어떤 가치를 우선할지 기계가 독립적으로 결정해서는 안 된다.
따라서 미래 지하물류는 사람을 배제하는 무인시스템보다 사람과 인공지능이 서로의 한계를 보완하는 협업시스템으로 설계해야 한다.
단계적인 자율화 전략이 필요하다
지하물류를 처음부터 완전 자율시스템으로 구축하는 것은 위험하다. 초기에는 데이터 통합과 상태 모니터링부터 안정적으로 구현해야 한다.
첫 번째 단계에서는 열차, 화물, AGV, MFC의 데이터를 통합하고 현재 상태를 정확히 확인한다. 두 번째 단계에서는 지연과 장애를 예측하고 운영자에게 대응대안을 추천한다.
세 번째 단계에서는 위험이 낮은 반복작업을 자동화한다. 화물 작업순서, AGV 배정, 배터리 충전계획 등을 자동으로 조정할 수 있다.
네 번째 단계에서는 여러 역사와 노선을 연결해 실시간 운송계획을 최적화한다. 다만 안전과 재난대응, 철도운영 관련 결정에는 사람의 승인을 유지해야 한다.
각 단계에서는 기술성뿐 아니라 안전성, 설명 가능성, 사이버보안, 운영자 수용성을 함께 평가해야 한다. 이전 단계가 충분히 검증되지 않은 상태에서 자율화 수준만 높이면 시스템 위험이 커질 수 있다.
자율 지하물류는 시스템 통합의 결과다
인공지능 한 가지 기술을 도입한다고 해서 지하물류가 자율화되는 것은 아니다. 열차, 역사, 로봇, MFC, 배송수단의 데이터가 연결되고 요구사항과 운영규칙이 명확해야 한다.
시스템엔지니어링은 자율 지하물류가 달성해야 할 목표와 안전제약, 시스템 사이의 인터페이스를 정의한다. MBSE는 요구사항과 기능, 구조, 시험항목을 모델로 연결한다.
디지털트윈은 실제 시스템의 현재 상태와 미래 변화를 가상환경에 표현한다. 인공지능은 이 데이터를 이용해 수요와 장애를 예측하고 운영대안을 제시한다.
그러나 최종적인 안전성과 신뢰성은 기술 자체가 아니라 시스템 전체의 설계와 검증에서 결정된다. 인공지능이 잘못 판단하더라도 위험한 명령이 실행되지 않도록 안전장치가 필요하다. 통신이 끊기거나 중앙시스템이 중단돼도 현장장비가 안전상태를 유지해야 한다.
미래의 자율 지하물류는 화물을 빠르게 이동시키는 시스템을 넘어 도시의 물류수요와 교통, 에너지, 안전을 실시간으로 조정하는 지능형 인프라가 될 수 있다.
지하철과 MFC, AGV, 친환경 배송수단이 디지털트윈으로 연결되고 인공지능이 전체 흐름을 지원하면 도심 화물차 운행과 배송 변동성을 줄일 가능성이 있다.
중요한 것은 완전한 자율화를 서두르는 것이 아니다. 사람과 시스템의 역할을 명확히 나누고, 작은 범위에서 충분히 검증한 뒤 단계적으로 확장해야 한다.
시스템엔지니어링, 디지털트윈, 인공지능이 하나의 디지털 스레드로 연결될 때 지하물류는 단순한 운송실험을 넘어 스스로 상태를 이해하고 변화에 적응하는 미래 도시물류 플랫폼으로 발전할 수 있다.