스마트팩토리아
목록
제어/비전

공장 내 물류 자동화 가이드: AGV·AMR 비교부터 도입 비용, 안전 기준까지

작성자운영팀발행일2026.10.29조회수1,427

공장의 병목은 설비가 아니라 "이동"에서 생긴다

설비를 새로 들여도 생산량이 기대만큼 오르지 않는 현장이 있습니다. 원인을 따라가 보면 라인 옆에 자재가 제때 도착하지 않거나, 완제품이 공정 사이에 쌓여 다음 작업을 막는 경우가 많습니다.

공장 안에서 부품과 반제품, 완제품을 옮기는 일을 "인트라로지스틱스(공장 내 물류)"라고 부릅니다. 이 영역은 사람이 대차와 지게차로 메워 왔지만, 인력 확보가 어려워지면서 자동화 대상으로 옮겨 가고 있습니다.

이 글에서는 AGV와 AMR을 중심으로 기술 차이, 비용 구조, 안전 요건, 시행착오에서 나온 점검 포인트, 혼합 운영 방식을 차례로 살펴봅니다. 도입을 검토하는 담당자가 견적 비교 전에 확인해야 할 판단 기준을 얻는 것이 목표입니다.

공장 내 물류 자동화, 무엇을 자동화하는가

공장 내 물류는 입고된 자재를 보관 위치로 옮기고, 생산 계획에 맞춰 라인에 공급하고, 완성품을 검사·포장을 거쳐 창고로 보내는 흐름 전체를 말합니다. 여기에는 물건의 이동뿐 아니라 "어디에 무엇이 얼마나 있는지"를 추적하는 정보 흐름도 포함됩니다.

자동화 대상은 크게 세 갈래로 나뉩니다.

  • 이송: 공정과 공정, 창고와 라인 사이에서 물건을 옮기는 일
  • 보관·출고: 자동창고나 랙에서 정해진 품목을 꺼내고 넣는 일
  • 정보 연계: 생산 계획과 재고 데이터를 바탕으로 이송 작업을 배정하는 일

물류 로봇 시장 전체의 흐름도 같은 방향을 가리킵니다. 공장 내 물류만 따로 집계한 수치는 아니지만, 국제로봇연맹(IFR)은 2026년 9월 발표에서 2025년 한 해 운송·물류용 전문 서비스 로봇이 약 117,500대 판매되어 전년보다 21% 늘었다고 집계했습니다. 전문 서비스 로봇 판매량의 **47%**를 차지해 용도별 1위를 유지했으며, 주된 쓰임새는 물자 이송과 자재 흐름 자동화라고 설명했습니다.

AGV와 AMR, 경로를 정하는 주체가 다르다

두 장비는 겉모습이 비슷해 같은 범주로 묶이곤 합니다. 차이는 "누가 경로와 작업 순서를 결정하느냐"에 있고, 이 차이가 설치 공사, 레이아웃 변경 비용, 운영 방식까지 바꿉니다.

AGV: 정해진 길을 중앙이 지휘한다

AGV(무인운반차)는 자기 테이프, 반사판, 유도선 같은 유도 인프라를 기준으로 미리 정한 경로를 따라 움직입니다. 2021년 European Journal of Operational Research(EJOR)에 실린 문헌 리뷰는 AGV 시스템에서 중앙 제어 장치가 모든 차량의 일정, 경로, 작업 배차를 결정한다고 정리합니다.

  • 경로가 고정되어 있어 동작을 예측하기 쉽고 반복 이송에 안정적이다.
  • 경로를 바꾸려면 유도 방식에 따라 인프라를 다시 설치하거나 설정해야 해 레이아웃 변경에 약하다.

AMR: 지도를 만들고 스스로 우회한다

AMR(자율이동로봇)은 센서로 주변을 인식해 시설 지도를 만들고, 장애물이 나타나면 경로를 스스로 조정합니다. 같은 리뷰는 AMR이 설비·시스템과 직접 통신하며 의사결정을 분산하기 때문에 현장 상황 변화에 동적으로 대응할 수 있다고 설명합니다.

  • 바닥 인프라 공사 부담이 작고, 설비 배치가 바뀌어도 지도 수정으로 대응할 수 있다.
  • 통로에 사람이나 적치물이 많으면 감속·정지가 잦아져 처리량이 흔들릴 수 있다.

고정형 설비와 함께 비교하기

컨베이어나 자동창고 같은 고정형 설비는 물동량이 크고 경로가 바뀌지 않는 구간에서 여전히 유리합니다. 세 방식은 우열보다 "어떤 구간에 맞느냐"로 판단해야 합니다.

구분 고정형 설비(컨베이어·자동창고) AGV AMR
경로 결정 방식 설비 배치 자체가 경로 중앙 제어가 경로·배차 결정 로봇이 지도 기반으로 경로 조정
바닥·구조 공사 큼 중간(유도 인프라 설치) 작음
레이아웃 변경 대응 낮음 낮음~중간 높음
사람과의 공간 공유 분리 운영이 기본 제한적 혼재 환경 고려 설계
잘 맞는 구간 대량·연속 흐름 반복 고정 경로 변동 많은 다품종 이송

AI는 어디에서 일하는가

"AI 물류 자동화"라는 말은 넓게 쓰이지만, 공장 안에서 AI가 실제로 맡는 역할은 비교적 분명합니다. 주행 중 주변을 인식하는 일, 여러 대의 로봇에 작업을 나누는 일, 상위 시스템과 데이터를 주고받는 일입니다.

인식 단계에서는 레이저 스캐너와 카메라가 보낸 데이터를 바탕으로 로봇이 자기 위치를 추정하고, 앞에 있는 물체가 사람인지 적치물인지 구분해 감속이나 우회를 결정합니다. 배정 단계에서는 여러 대의 로봇 중 어느 로봇이 어떤 요청을 맡을지, 충전은 언제 보낼지를 판단합니다.

작업이 흐르는 순서는 다음과 같습니다. 생산관리시스템(MES)이 생산 계획을 내리면 창고관리시스템(WMS)이 필요한 자재와 위치를 확인합니다. 관제 소프트웨어(FMS)가 비어 있는 로봇에 작업을 배정하면, 로봇은 주행해 적재·하역을 마치고 완료 신호를 보냅니다. 이 신호로 재고 정보가 갱신되어야 다음 생산 계획이 정확해집니다.

2025년 에너지스(Energies)에 실린 시뮬레이션 연구도 관제 소프트웨어가 중앙 서버에서 적재·하역 지점과 대기·충전 장소를 정해 주며, AI와 머신러닝 알고리즘을 활용하면 AMR이 바뀐 생산 조건에 맞춰 주행 궤적을 조정할 수 있다고 설명합니다. 결국 AI의 성능은 로봇 한 대의 지능보다 "상위 시스템과 얼마나 끊김 없이 연결되느냐"에 좌우됩니다.

도입 비용, 견적서 밖에 숨은 항목

로봇 단가만 비교하면 실제 투자 규모를 놓치기 쉽습니다. 앞의 시뮬레이션 연구 역시 AMR 기반 공장 내 물류 자동화에는 큰 재무 투입이 필요하므로, 실제 도입 전에 가상 환경에서 운영을 검증할 것을 권합니다.

초기 투자

로봇 본체 외에 함께 따라오는 항목이 적지 않습니다.

  • 충전 스테이션과 설치 공간, 관제 소프트웨어 라이선스
  • MES·WMS 연동 개발과 시운전 기간의 인력 투입
  • 바닥 평탄도 보수, 무선 통신 음영 구간 보강

운영비와 숨은 비용

흔히 놓치는 항목이 충전 시간입니다. 같은 연구는 AMR 3대가 120시간 동안 운행하는 상황을 시뮬레이션했는데, 각 로봇이 전체 시간의 **약 24~28%**를 충전 스테이션에서 보냈고 1회 충전에 약 4시간 10분이 걸렸습니다. 충전 중인 로봇의 작업은 나머지 로봇이 떠안기 때문에, 필요한 대수는 작업량만이 아니라 충전 주기까지 넣어 계산해야 합니다.

이 결과는 특정 기종과 가정(배터리 잔량 25%에서 충전 시작)을 전제로 한 시뮬레이션이며, 연구진도 바닥 마찰, 배터리 열화, 주변 온도 같은 실제 요인은 반영하지 못했다고 밝혔습니다. 수치를 그대로 옮기기보다 "충전 시간이 운영 가능 시간을 상당 부분 잠식할 수 있다"는 구조를 검토 기준으로 삼으면 됩니다.

구매 대신 서비스형 계약

초기 투자 부담을 나누는 방법으로 로봇을 구매하지 않고 사용료를 내는 RaaS(Robot-as-a-Service) 계약도 있습니다. IFR은 운송·물류 로봇에서 일반 판매가 여전히 주된 방식이지만 RaaS 모델이 계속 늘고 있으며, 미국에서는 이미 지배적인 방식이 되었다고 밝혔습니다. 계약 전에는 유지보수 범위, 소프트웨어 업데이트, 계약 종료 시 데이터 처리 조건을 확인해야 합니다.

안전 기준: 사람과 같은 통로를 쓸 때 확인할 것

무인 이동 장비의 안전 요건은 국제표준 ISO 3691-4(무인 산업용 운반차량)가 대표적인 기준으로 쓰입니다. 세부 조항보다 현장에서 확인할 기능 요건을 중심으로 정리하면 다음과 같습니다.

출발점은 운행 구역을 구분하는 일입니다. 사람이 들어오지 않는 제한 구역과 작업자가 함께 다니는 혼재 구역은 요구되는 속도와 감지 기능이 다릅니다. 같은 로봇이라도 어느 구역을 지나느냐에 따라 설정을 바꿔야 합니다.

  • 감지와 정지: 주행 방향의 장애물을 감지해 거리에 따라 감속하고 정지하는 기능, 비상정지 장치
  • 경고와 표시: 주행 경고등·경고음, 바닥의 주행 경로와 대기 구역 표시
  • 끼임 방지: 도킹·적재 지점처럼 로봇과 설비 사이에 틈이 생기는 구간의 이격 거리 확보

혼재 구역에서는 감지 범위를 넓히고 속도를 낮출수록 안전 여유는 커지지만, 정지가 잦아져 이송 시간이 늘어납니다. 안전과 처리량이 맞물리는 지점이므로, 구역별 속도와 감지 범위는 시운전 데이터를 보며 조정해야 합니다.

장비 자체의 인증만으로 안전이 완성되지는 않습니다. 실제 레이아웃에 놓였을 때 위험성 평가를 다시 하고, 작업자 교육과 통로 관리 규칙을 함께 마련해야 합니다.

시행착오에서 나온 점검 포인트

공장 내 물류 자동화가 기대에 못 미치는 경우는 기술 결함보다 준비 과정에서 비롯되는 경우도 적지 않습니다. 자주 반복되는 패턴은 다음과 같습니다.

첫째, 흐름을 정리하지 않고 로봇부터 들이는 경우입니다. 자재 요청이 구두나 메신저로 오가는 상태에서 로봇을 투입하면, 로봇은 호출을 기다리며 서 있고 사람은 여전히 수작업으로 일정을 맞춥니다. 로봇 도입 전에 이송 요청이 시스템으로 발생하는 구조가 먼저 있어야 합니다.

둘째, 충전과 대기 시간을 빼고 대수를 정하는 경우입니다. 시간당 이송 건수만으로 대수를 계산하면 피크 시간대와 충전이 겹칠 때 처리량이 떨어질 수 있습니다.

셋째, 혼재 구역의 통로 관리를 놓치는 경우입니다. 통로에 적치물이 자주 놓이거나 작업자 동선이 정리되지 않으면 감지 기능이 반복 작동해 로봇이 멈추고, 현장에서는 "로봇이 오히려 느리다"는 불만이 나오기 쉽습니다. 이럴 때는 장비보다 공간 운영 규칙에서 원인을 먼저 찾아야 합니다.

넷째, 시스템 연동을 2차 과제로 미루는 경우입니다. 처음에는 관제 소프트웨어 단독으로 운영하다가 나중에 MES·WMS와 붙이려 하면, 데이터 형식과 작업 코드 체계를 다시 맞추느라 개발 범위가 커집니다. 연동 범위와 인터페이스 사양은 장비 선정 단계에서 함께 확정해 두어야 재작업을 줄일 수 있습니다.

한 가지 방식만 고집하지 않는 혼합 운영

모든 구간을 같은 장비로 자동화할 필요는 없습니다. 구간별 특성에 맞춰 섞어 쓰면 투자 부담과 운영 리스크를 함께 낮출 수 있습니다.

  • 물동량이 크고 경로가 고정된 구간은 컨베이어나 AGV, 변동이 많은 구간은 AMR로 나눈다.
  • 반복 이송만 로봇에 맡기고, 예외 처리와 검수처럼 판단이 필요한 일은 사람이 맡는다.
  • 야간이나 특정 교대처럼 인력이 부족한 시간대부터 자동화 범위를 정해 운영한다.

이 방식의 핵심은 장비 사이의 연결입니다. 서로 다른 장비가 같은 관제 체계와 재고 데이터를 공유하지 않으면, 혼합 운영은 오히려 관리 지점만 늘립니다.

로봇 대수보다 먼저 "흐름"을 설계해야 한다

공장 내 물류 자동화의 성패는 장비 선택보다 앞 단계에서 갈립니다. AGV와 AMR은 경로 결정 방식이 달라 맞는 구간이 다르고, 비용은 본체 가격보다 연동 개발, 충전 운영, 인프라 보강에서 크게 달라집니다. 사람과 공간을 공유한다면 구역 구분과 통로 관리 규칙이 장비 사양만큼 중요합니다.

첫걸음으로는 현재 이송 요청이 어떻게 발생하고 어디서 대기가 생기는지 한 주 정도 기록해 보길 권합니다. 이 기록이 있어야 어느 구간에 어떤 장비가 맞는지, 몇 대가 필요한지를 근거 있게 판단할 수 있습니다.

참고문헌

  1. International Federation of Robotics. "Global Sales of Professional Service Robots Surge 24%." IFR. 2026.09.30. https://ifr.org/ifr-press-releases/news/global-sales-of-professional-service-robots-surge-24-percent
  2. Fragapane, G., de Koster, R., Sgarbossa, F., Strandhagen, J. O. "Planning and control of autonomous mobile robots for intralogistics: Literature review and research agenda." European Journal of Operational Research, 294(2). Elsevier. 2021.01.17(온라인 게재). https://repub.eur.nl/pub/134773
  3. Dobrzańska, M., Dobrzański, P. "Simulation Model as an Element of Sustainable Autonomous Mobile Robot Fleet Management." Energies, 18(8), 1894. MDPI. 2025.04.08. https://www.mdpi.com/1996-1073/18/8/1894

본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 타 기업명 및 영업 기밀 보호를 위해 본문 중 일부 고유명사는 익명화(A/B) 처리되었습니다.

콘텐츠 목록으로

댓글 0

로그인하면 댓글을 남길 수 있습니다. 가입은 무료입니다.

로그인무료 회원가입