물리가 결정한다: 디지털트윈이 거울인가, 지도인가

리드

화요일 새벽 3시 47분, 인천 외곽의 한 풀필먼트 센터에서 B-14 구역의 피킹 경로를 수행하던 자율이동로봇(AMR)이 강철 메자닌(mezzanine) 지지대 하부에 리프트 마스트를 충돌시켰다. 시뮬레이션은 동일 경로를 1만 1천 회 통과시켰다. 사고는 내비게이션 오류가 아니라 질량 모델링 오류였다. AMR의 페이로드 모델은 빈 토트(tote)를 0.8kg으로 가정했으나, 실제 토트는 황동 피팅을 적재한 채 14.2kg이었다. 무게중심은 4.3cm 위로 이동했고, 가속 구간에서 마스트는 11mm 흔들렸다. 센티미터 단위로 정밀하게 렌더링된 트윈이 11mm의 물리 오차로 라인을 6시간 정지시켰다. 기하학적으로 완벽하고 물리적으로 허구였다는 뜻이다. 잘못 동작하는 트윈은 트윈이 없는 것보다 나쁘다. 확신에 찬 오류를 대규모로 생산하기 때문이다.

배경

2023년까지 디지털트윈의 운영 논거는 한 가지 조용한 가정 위에 서 있었다. 시각적 충실도가 어려운 부분이며 물리적 거동은 후순위라는 가정이다. 형상을 캡처하고 자산에 라벨을 붙이면 트윈은 “준비 완료”였다. 이 가정이 유지된 이유는 단순했다. 초기 트윈의 용도가 모니터링과 시각화 — 3차원 외피를 입힌 대시보드 — 에 머물렀기 때문이다. 시뮬레이션은 아무것도 예측할 필요가 없었다. 보여주기만 하면 됐다.

그 가정은 2024년에 무너졌다. NVIDIA의 GTC 발표는 디지털트윈을 휴머노이드, 자율 지게차, 로봇 팔, AMR 플릿(fleet)을 학습시키는 물리 AI(Physical AI) 훈련 환경으로 재정의했다. NVIDIA Omniverse Isaac Sim 문서(2024)는 로봇 학습 환경의 물리 검증 요건을 명시한다 — 마찰계수, 관성 텐서, 접촉 강성, 센서 노이즈 모델이 실측 데이터와 일치해야 한다는 것이다. 운영 요건은 명료하다. 시뮬레이션 물리가 실제 물리와 일치하되, 로봇 제어기가 센서 노이즈와 구분하지 못할 수준의 허용 오차 내여야 한다.

논증

첫째, 렌더링 정확도와 동역학 정확도는 서로 다른 문제다. 포인트 클라우드를 메쉬로 변환하고 PBR 텍스처를 입히면 시각적 트윈은 완성된다. 그러나 그 메쉬에는 질량도, 마찰계수도, 관성 모멘트도 없다. AMR이 폴리우레탄 휠로 에폭시 코팅 바닥을 구를 때의 정지 마찰계수는 0.4~0.7 사이에서 온도와 먼지 축적도에 따라 변동한다. 이 값이 0.5로 고정된 시뮬레이션은 미끄러짐 사고를 영원히 발견하지 못한다.

둘째, OpenUSD는 물리를 표준화하지만 검증하지 않는다. USD Physics 스키마는 강체, 조인트, 마찰을 표현하는 문법을 제공한다. Autodesk, Siemens, Dassault Systèmes가 OpenUSD 익스포터를 기본 탑재하면서 데이터 교환 비용은 급격히 낮아졌다. 그러나 익스포터는 CAD 모델의 명목 질량을 그대로 전달할 뿐, 실제 적재된 화물의 분포를 측정하지 않는다. 표준화는 데이터 이동의 문제를 해결하지만, 실제와의 정합은 현장에서 측정되어야 한다.

셋째, 합성 데이터의 가치는 베이스라인의 물리적 정확도에 의존한다. Isaac Sim의 Domain Randomization은 조명, 텍스처, 마찰을 무작위화해 학습 정책의 일반화 성능을 끌어올린다. 그러나 베이스라인 환경 자체가 현장의 통로 폭, 천장 높이, 바닥 평탄도와 어긋나 있으면 무작위화는 잘못된 분포 주변을 맴돌 뿐이다. NVIDIA SmartMaterial NIM과 같은 무료 자산이 제공하는 재질 라이브러리는 강력하지만, 그 재질이 실제 현장의 어느 표면에 매핑되는지는 결국 공간을 측정해본 사람이 결정한다.

넷째, 사이트 인수 시험(Site Acceptance Test)은 물리 갭이 드러나는 순간이다. 공장 출하 시험(FAT)에서 합격한 로봇 셀이 현장에서 실패하는 사례의 다수는 코드 결함이 아니라 환경 가정의 결함이다. 메자닌 하부 클리어런스, 배수구 단차, 도크 레벨러 경사 — 도면에는 없거나 시공 오차로 변형된 요소들이 충돌을 일으킨다.

케이스 스터디

씨메스로보틱스는 최근 쿠팡과 69억 원 규모 물류 자동화 계약을 체결했다. 이러한 대형 SI 프로젝트에서 사전 검증 단계의 비용은 전체 계약의 5~8% 수준이지만, 검증 누락 시 가동 지연 손실은 일 단위로 수억 원에 이른다. 현대자동차가 5월 착수한 병원 AI 약 배송 로봇 실증은 더 까다롭다. 엘리베이터 연동, 자동문 통과, 보행자 회피가 동시에 요구되는 복합 건물 환경에서 Open-RMF 기반 인프라 연동 설계는 선택이 아닌 전제다. 이 두 사례의 공통점은 명확하다 — 로봇 도입 의사결정 이전에 공간이 검증되어야 한다는 것. NVIDIA Omniverse Isaac Sim이 제공하는 물리 엔진(PhysX 5)은 강력하지만, 그것을 가동시키는 입력 — LiDAR 스캔 정밀도, 재질 매핑, 동선 가정 — 은 현장을 수백 회 측정해본 팀의 영역이다.

시사점

의사결정자에게 이것이 의미하는 바는 분명하다. 디지털트윈 공급사를 평가할 때 렌더링 데모는 충분조건이 아니다. 질문은 셋이다. 마찰계수와 질량 분포는 어떻게 측정했는가. OpenUSD Physics 스키마로 익스포트했을 때 다른 시뮬레이터에서 동일한 거동이 재현되는가. 사이트 인수 시험에서 발견된 갭은 어떤 절차로 트윈에 역반영되는가. 이 세 질문에 답하지 못하는 트윈은 거울 — 현재를 비추는 — 일 수는 있어도 지도 — 미래를 예측하는 — 가 될 수 없다.

AI만으로는 운영 가능한 디지털트윈을 구축할 수 없다. 플라츠랩이 가진 155개 이상의 전시·박물관 시공에서 축적된 공간 리터러시가 소프트웨어로 대체할 수 없는 핵심 역량이다. PLATZ TWINS의 5단계 파이프라인 — 스캔, 정합, USD 변환, 물리 검증, 로봇 시뮬레이션 — 은 각 단계가 다음 단계의 입력 정확도를 보장하도록 설계되어 있다. 자세한 적용 사례는 platzlab.com에서 확인할 수 있다.

마무리

물리가 결정한다. 트윈이 현재를 비추는 거울로 끝날지, 미래를 예측하는 지도가 될지는 렌더링이 아니라 동역학에서 갈린다.