| CJ대한통운 / ‘Physical AI’로 데이터 기반 ‘자율 물류 운영시스템’ 구현 가속 (보관운송) | |||
 
|
|||
|
|||
|
‘Physical AI’로 데이터 기반 ‘자율 물류 운영시스템’ 구현 가속 네트워크·센터·로봇 영역 적용 ‘배차·피킹·포장까지 AI 의사결정 확대’  CJ대한통운이 물류산업의 패러다임 전환을 이끌 핵심 전략으로 ‘Physical AI’를 제시했다. CJ대한통운 구성용 자동화 개발담당은 지난달 1일 킨텍스에서 열린 ‘제2회 KILA 물류 세미나’에서 ‘Physical AI로 만드는 물류혁신’을 주제로, 네트워크 최적화, 센터 지능화, 로봇 자동화라는 3대 영역을 중심으로 한 기술 적용 사례와 향후 방향성을 소개했다. 이번 발표의 핵심은 물류를 단순한 운영 영역이 아닌 ‘데이터 기반 자율 시스템’으로 전환하는데 있다. CJ대한통운은 Physical AI를 ▲실시간 데이터 수집(Perception) ▲AI 기반 분석 및 학습(Brain) ▲실제 운영 실행(Action)의 3단계 구조로 정의했다. 이러한 구조는 단순 자동화를 넘어, 변화하는 물류 환경에 실시간으로 대응하고 스스로 최적화하는 ‘자율 운영 시스템’ 구현을 목표로 한다. 특히 주문량 변동, 계절성, 터미널 운영 상황 등 복잡한 변수를 동시에 고려해야 하는 물류산업 특성상, AI 기반 의사결정은 필수 요소로 자리 잡고 있다. CJ대한통운은 Physical AI를 통해 물류 효율성을 높이는 동시에 제조·유통 등 전 산업의 기반이 되는 물류 원가를 절감하고, 나아가 공급망 전반의 경쟁력 강화로 이어지도록 한다는 전략이다. ‘배차·라우팅 자동화’ AI 기반 네트워크 최적화 엔진 적용 CJ대한통운은 Physical AI 기술을 물류 네트워크 최적화, 물류센터 지능화, 로봇 자동화 등 3대 영역에 적용해 물류 전 과정의 통합 최적화를 구현해 나간다는 구상이다. 물류 네트워크는 매일 변화하는 주문량과 물동량, 차량 및 터미널 운영 상황을 동시에 반영해야 하는 고난도 의사결정 영역이다. 특히 요일·계절성에 따른 수요 변동과 허브·서브터미널간 운영 상황까지 고려해야 해, 기존에는 다양한 시스템과 운영 경험에 의존한 의사결정이 이뤄져 왔다. CJ대한통운은 이를 개선하기 위해 실시간 데이터를 기반으로 최적의 배차와 운영 계획을 도출하는 AI 기반 네트워크 최적화 엔진을 개발했다. 해당 시스템은 물동량 예측, 차량 및 터미널 운영 데이터 등을 통합 분석해 배차와 라우팅을 자동으로 산출하고, 이를 운영 시스템과 연계해 즉시 실행까지 이어지도록 설계됐다. 현재는 대전 허브터미널에 적용돼 운영 중이다. 그 결과 차량 대기시간 감소와 물류 지연 최소화 등 운영 효율이 크게 개선됐으며, 배차 의사결정 속도 향상과 물동량 대응력 강화 측면에서도 성과를 보이고 있다. CJ대한통운은 향후 이 네트워크 최적화 엔진을 전 터미널로 확대 적용하고, 실시간 운영 데이터와 AI 분석을 결합해 보다 정교한 ‘상시 최적화’ 체계를 구축해 나갈 계획이다. ‘주문·재고·설비 통합 분석’ AI 기반 운영 의사결정 고도화  물류센터는 주문량, 재고 위치, 설비 구성, 작업자 숙련도 등 다양한 요소가 동시에 작용하는 복합 환경으로, 실시간 상황에 따라 운영 효율이 크게 달라지는 특징을 갖는다. CJ대한통운은 이러한 환경을 개선하기 위해 주문 데이터, 재고 현황, 설비 처리능력, 작업 진행 상황 등을 통합 수집하고, 이를 기반으로 가상 환경에서 최적의 작업 배치와 운영 시나리오를 도출하는 AI 기반 의사결정 체계를 구축하고 있다. 현재는 센터 전체를 통합적으로 제어하는 단계까지는 아니지만, 일부 공정을 중심으로 Physical AI 적용이 이뤄지고 있다. 대표 사례로 동탄더마켓센터의 QPS(Quick Picking System) 공정이 있다. 해당 설비는 다수의 주문 토트가 동시에 이동하며 작업이 이뤄지는 구조로, 작업 순서와 배치에 따라 병목 현상이 발생하기 쉬운 고난도 공정이다. CJ대한통운은 이 공정에 AI 기반 작업 지시 시스템을 적용해 주문 흐름과 설비 상태를 실시간으로 반영하고, 작업자간 업무 편차를 최소화하는 방향으로 작업을 자동 배분하도록 했다. 이를 통해 특정 구간에 작업이 집중되는 현상을 줄이고, 전체 공정의 균형을 유지하는 효과를 거두고 있다. 또한 1개 스테이션에는 로봇인 ‘QPS 피스피커’를 투입해 사람과 로봇이 동일한 작업 흐름 내에서 협업하도록 설계했다. 기존에는 사람 중심으로 운영되던 공정에 로봇이 부분적으로 투입될 경우 오히려 비효율이 발생할 수 있었지만, AI 기반 작업 지시를 통해 작업 속도와 흐름을 조정함으로써 협업 효율을 높였다. CJ대한통운은 향후 피킹 공정을 넘어 다양한 작업 영역으로 Physical AI 기반 센터 지능화를 확대 적용해 나간다는 계획이다. ‘비정형 상품도 인식’ 시뮬레이션 기반 학습으로 자동화 구현 물류 현장의 자동화는 현재까지 이송 중심에서 상품을 직접 다루는 ‘핸들링’ 영역으로 빠르게 확장되고 있다. AMR 등 이송 자동화는 이미 상당 부분 표준화됐지만, 상품을 집고 옮기거나 포장하는 작업은 여전히 사람 의존도가 높은 영역으로 남아 있다. CJ대한통운은 이러한 한계를 극복하기 위해 Physical AI 기반 로봇 자동화 기술을 개발하고 있다. 핵심은 다양한 상품과 작업 환경을 스스로 인식하고 학습할 수 있도록 하는 것으로, 이를 위해 로봇 센서를 통한 환경 인식과 시뮬레이션 기반 학습 체계를 함께 구축하고 있다. 대표 사례로는 디파렛타이징 공정이 있다. 기존 제조 환경에서는 규격화된 박스를 기준으로 자동화가 가능했지만, 물류센터는 상품 종류가 수백 가지에 달하고 지속적으로 변화하는 특성이 있어 적용이 쉽지 않았다. CJ대한통운은 단일 이미지 입력만으로 새로운 박스를 인식하고, 가상 환경에서 학습한 결과를 실제 작업에 적용하는 기술을 개발해 이러한 문제를 해결했다. 이를 통해 신규 상품이 투입되더라도 별도의 데이터 구축 없이 빠르게 자동화 공정에 반영할 수 있게 됐다. 또 다른 사례는 휴머노이드 기반 포장 자동화다. 포장 공정은 다양한 포장 방식과 높은 접촉 작업이 요구돼 자동화 난도가 가장 높은 영역으로 꼽힌다. CJ대한통운은 양팔을 활용하는 휴머노이드 형태의 로봇을 도입해 포장 작업 자동화를 추진하고 있으며, PoC 단계에서 약 99% 수준의 작업 성공률을 확보했다. 다만 현재 작업 속도는 사람 대비 약 30% 수준으로, 실제 현장 적용을 위해서는 추가적인 성능 개선이 필요한 상황이다. CJ대한통운은 연내 생산성을 약 70% 수준까지 끌어올리는 것을 목표로 기술 고도화를 진행 중이다. CJ대한통운은 향후 피킹, 분류, 포장 등 다양한 핸들링 공정으로 로봇 자동화를 확대하고, Physical AI 기반 학습 체계를 통해 변화하는 물류 환경에도 유연하게 대응할 수 있는 자율형 로봇 운영 체계를 구축해 나간다는 계획이다. |
| 
|
