LabHub

블로그

AI 창고 로보틱스 & 풀필먼트 2026 완벽 가이드 - Symbotic · Berkshire Grey (SoftBank) · Locus Robotics · AutoStore · GreyOrange · Geek+ · Hai Robotics · Amazon Robotics · NVIDIA Isaac · 두산로보틱스 · ZMP 심층 분석

2026-05-16 · 29 분 읽기 · #warehouse-robotics#fulfillment-ai#symbotic#berkshire-grey#locus-robotics#autostore#greyorange#geek-plus#hai-robotics#amazon-robotics#nvidia-isaac#doosan-robotics

한국어English日本語

들어가며 — 2026년 5월, 창고 자동화는 더 이상 "비전"이 아니다

2022년만 해도 창고 로보틱스는 "Amazon 같은 대형 사업자에게나 맞는 이야기"였다. 2026년 5월 현재 풍경은 완전히 달라졌다. 이커머스 물동량 증가 + 만성적인 물류 인력 부족 + GPU 기반 시뮬레이션 학습이 만난 결과, 중견 3PL부터 글로벌 리테일러까지 모두 로봇을 깐다. 시장은 더 이상 단일 솔루션이 아니라 레이어 스택으로 굳어졌다.

이 글은 마케팅 자료가 아니라 "지금 현장에서 무엇이 어느 자리에 들어가는가"를 정직하게 짚는다. AMR/AGV, Goods-to-Person 셔틀, 피스 피킹 암, Amazon Robotics, 휴머노이드 파일럿, NVIDIA Isaac 학습 스택, 그리고 한국/일본 로컬 플레이어까지 실제 2026년 스펙과 함께 비교한다.

창고 로보틱스 2026 — 전체 스택을 7개 레이어로 분해

먼저 큰 그림이다. 2026년 표준 창고 로보틱스 스택은 다음 7개 레이어로 나뉜다.

  1. 모바일(AMR/AGV): 사람과 함께 일하는 자율 이동 로봇
  2. Goods-to-Person(G2P) 셔틀/큐브: 선반/토트를 사람에게 가져옴
  3. 피스/케이스 피킹 암: 비전 + 그리퍼로 개별 SKU 집기
  4. 고정 컨베이어 + 소터(sortation): 분류와 라우팅
  5. 휴머노이드/바이페달: 사람-친화적 폼팩터, 파일럿 단계
  6. 소프트웨어(WMS + WES + 시뮬레이션): 오케스트레이션과 학습
  7. 라스트마일 + 드론 배송: 창고 밖, 고객 문턱까지

각 레이어는 별도 시장이고, 도입 순서는 회사마다 다르다. 아래부터 한 레이어씩 본다.

AMR vs AGV — 2026년에 격차가 결정적으로 벌어졌다

AGV(Automated Guided Vehicle)는 바닥에 박힌 자석 라인/QR을 따라 움직이는 1세대 자동화다. 2026년 현재 신규 도입의 90% 이상은 AMR(Autonomous Mobile Robot), 즉 LiDAR + 카메라 + SLAM으로 자율 주행하는 2세대로 갈아탔다. 차이는 단순하다.

대표적인 AMR/AGV 플레이어는 다음과 같다.

도입 결정에서 자주 빠지는 포인트가 있다. "우리 창고가 픽업 모드인지 무브 모드인지"다. Locus처럼 피커가 같이 걷는 모델과, OTTO처럼 무인 운반에 집중한 모델은 ROI 곡선이 완전히 다르다.

Goods-to-Person(G2P) — 셔틀/큐브의 시대

AMR이 "사람을 따라간다"라면 G2P는 "선반을 사람에게 가져온다". 보관 밀도가 높고 워크 스테이션 처리량이 일정해서, 평방미터당 처리량을 최대화하려는 회사가 선택한다. 대표적인 플레이어는 다음과 같다.

선택 기준은 단순하지 않다. AutoStore는 토트 단위, Symbotic은 케이스 단위, Exotec은 그 중간으로 보관 단위가 다르다. SKU 회전율, 평균 주문 라인 수, 보관 단위 부피가 의사결정의 가장 큰 변수다.

Berkshire Grey + SoftBank — 흡수합병 이후의 행보

Berkshire Grey는 2013년 iRobot CTO 출신 Tom Wagner가 창업한 미국 회사다. 모바일 + 피스 피킹 + 소터를 한 묶음으로 묶은 "통합 AI 풀필먼트"로 차별화했다. 2021년 SPAC 합병으로 상장했지만 주가는 약세였다.

2023년 6월 SoftBank가 인수 합병 발표, 2024년 4월 거래 완료로 비공개 자회사가 됐다. SoftBank Vision Fund 포트폴리오 안의 Symbotic, AutoStore와 같은 큰 그림을 묶으려는 의도가 강하다. 합병 이후 핵심 제품은 다음과 같다.

SoftBank 자회사 편입 이후 일본/한국 시장에서의 영업이 다시 활발해지는 흐름이다.

피스 피킹 — Covariant Amazon 합류와 카테고리 재편

피스 피킹(개별 SKU 한 개를 집어 다른 곳으로 옮기는 동작)은 2020년대 초까지 "남은 가장 어려운 문제"였다. 2024년 이후 파운데이션 모델 + 멀티모달 학습으로 한 단계 도약했다.

피스 피킹 ROI는 SKU 다양성과 박스 종류 수가 결정한다. 단일 SKU 라인은 결정론적 모션이 유리하고, SKU가 수만 단위로 늘면 학습 기반이 유리하다.

Amazon Robotics — Kiva 인수에서 Sparrow + Digit까지

Amazon은 2012년 Kiva Systems를 7억 7,500만 달러에 인수하고 Amazon Robotics로 사내 흡수했다. 2026년 현재 Amazon 풀필먼트 센터의 표준 스택은 다음과 같다.

Amazon은 또 2024년 Covariant 리버스 acqui-hire로 차세대 파운데이션 모델 기반 피킹을 사내화했다. Sparrow의 미래는 사실상 Covariant 출신 엔지니어들이 빚는다.

큐브 스토리지 — 가장 밀도 높은 보관 방식

작은 토트를 3D 그리드에 쌓고 상단 로봇이 끌어올리는 큐브 스토리지는 평방미터당 보관 밀도가 가장 높다. 시장 리더는 압도적으로 AutoStore지만 경쟁자도 있다.

큐브 스토리지는 초기 CAPEX가 무겁지만 평방미터당 처리량과 보관 밀도에서 다른 시스템을 압도한다. 도심 마이크로 풀필먼트(MFC) 환경에서 특히 강하다.

소터(sortation) — 풀필먼트의 동맥

소터는 다양한 SKU/주문을 슈트(chute) 또는 컨베이어 분기로 라우팅하는 장비다. 기존엔 대형 벨트 소터/틸트 트레이 소터가 표준이었지만, 2026년에는 모듈러 AMR 기반이 늘어난다.

대량 단일 슈트 라우팅엔 전통 소터가 여전히 우위지만, 다품종 소량의 풀필먼트엔 tSort 같은 AMR 소터가 빠르게 영역을 넓힌다.

휴머노이드 & 바이페달 — 파일럿이지만 진짜로 굴러간다

2024년까지 휴머노이드는 "유튜브 데모용"이었다. 2025년 후반부터 실제 창고/공장 파일럿이 측정 가능한 KPI로 돌아간다. 2026년 5월 기준 핵심 플레이어와 파일럿은 다음과 같다.

휴머노이드는 단일 형상이 다양한 작업을 처리할 수 있느냐가 ROI를 가른다. 단일 작업이라면 결정론적 산업로봇이 여전히 빠르고 저렴하다.

NVIDIA Isaac — 학습 + 시뮬레이션의 표준 스택

휴머노이드와 AMR 학습 데이터의 비용 곡선을 완전히 바꾼 게 NVIDIA Isaac 스택이다. 2026년 5월 기준 핵심 구성은 다음과 같다.

스택의 핵심 가치는 sim-to-real이다. 실제 로봇에서 한 번 굴리려면 비싸지만, GPU 위에서는 1만 환경 병렬이 가능하다. Agility, Figure, 1X 모두 Isaac Lab을 RL 학습에 사용한다고 공개적으로 인정한다.

WMS/WES/WCS — 소프트웨어 백본의 분담

로봇만 깔린다고 풀필먼트가 굴러가지 않는다. WMS(Warehouse Management System), WES(Warehouse Execution System), WCS(Warehouse Control System)의 3개 레이어가 오케스트레이션을 책임진다.

WCS/WES 레이어에는 Softeon, Tecsys, Pyramid AI 등이 따로 있다. 2026년에는 로봇 벤더 자체 SW(예: Symbotic SymBot OS, AutoStore Pio)와 충돌/협업하는 영역이 늘어난다.

협업 로봇(Cobots) — 안전 펜스 없는 산업 로봇

코봇(cobot)은 사람과 같은 작업공간에서 안전하게 협업하도록 설계된 로봇 팔이다. 풀필먼트 직접 적용보다는 키팅/패킹 워크스테이션에서 자주 쓴다.

ROI는 워크스테이션 단위 사이클 타임이 결정한다. 사람이 키팅하는 데 10초가 걸리는 라인을 코봇이 12초에 한다면 안 들이는 게 맞다.

한국 창고 로보틱스 — 두산·HD현대·LG·CJ대한통운·쿠팡

한국은 2024년 이후 창고 자동화 도입이 본격화됐다. 핵심 플레이어는 다음과 같다.

한국 시장의 특수성은 신축 풀필먼트 센터가 압도적으로 많다는 점이다. 신규 설계 시점부터 자동화 전제로 설계가 들어가서, 미국식 brownfield 개조보다 ROI가 빠르게 나온다.

일본 창고 로보틱스 — Mujin·ZMP·Daifuku·Murata·GROUND

일본은 글로벌 머티리얼 핸들링의 본진이다. Daifuku·Murata·Toyota Industries 3대 거인이 시장 절반을 가져간다.

일본 시장의 강점은 밀집 도심형 풀필먼트다. 좁고 다층 구조의 부지에 셔틀/AS-RS 설계 경험이 깊다.

드론 배송 + 라스트마일 — 창고 밖의 자동화

창고가 끝이 아니다. 라스트마일(고객 문턱까지)도 빠르게 자동화 중이다.

라스트마일 자동화는 규제(FAA/EASA/국토부 + 항공안전법) + 사회적 수용성이 가장 큰 변수다. 의약품처럼 명확한 가치가 있는 영역부터 깔린다.

그리퍼 & 비전 — 피킹 성공률을 결정하는 변수

피킹 로봇의 성공률은 그리퍼 선택과 비전 학습 데이터가 80%를 결정한다.

피킹 성공률은 그리퍼 종류 × 비전 인식 정확도 × 학습 데이터 양의 곱이다. 어느 하나가 약하면 전체가 무너진다.

시뮬레이션 + 디지털 트윈 — 데이터 비용을 가른다

로봇 학습의 최대 비용은 실측 데이터 수집이다. 한 번 떨어뜨려서 깨지는 박스, 한 번 충돌하는 AMR이 GPU 시간보다 비싸다. 디지털 트윈/시뮬레이션 표준은 다음과 같다.

2026년에는 MuJoCo와 Isaac Sim이 학습용 양강, Gazebo가 ROS 통합용 표준으로 자리를 굳혔다.

실제 도입 케이스 — Walmart, GXO, DHL, 쿠팡

마지막으로 실제 풀필먼트 운영 사례를 본다.

도입 패턴은 단일 벤더 락인 → 멀티-벤더 오케스트레이션으로 옮겨가는 추세다. WES 레이어가 점점 중요해진다.

도입 로드맵 — 0에서 자동화 풀필먼트까지

마지막으로 0에서 출발해 자동화 풀필먼트를 깐다고 가정한 로드맵이다.

  1. 0~3개월: AS-IS 분석. SKU 회전율, 평균 주문 라인 수, 인력 비용. WMS 도입 점검.
  2. 3~6개월: 가장 시급한 병목 1개를 정한다. 픽업이면 AMR 시범, 보관 밀도면 G2P 시범.
  3. 6~12개월: 단일 셀(cell) 단위 파일럿. KPI는 시간당 처리량(UPH) + 인력 절감률.
  4. 12~24개월: 다중 셀로 확장. WES + 시뮬레이션 환경 동시 구축.
  5. 24개월~: 휴머노이드 파일럿. 단일 작업(트럭 하역, 토트 운반)부터.

가장 큰 함정은 "휴머노이드부터 깔자"다. 2026년에도 단일 작업 ROI는 결정론적 산업 로봇이 이긴다.

마치며 — 2026년 5월, "창고 자동화는 모자이크"

창고 로보틱스 시장은 더 이상 "Amazon 같은 거대 사업자"의 전유물이 아니다. AMR/AGV, G2P, 피스 피킹, 휴머노이드, NVIDIA Isaac, WMS/WES, 한국·일본 로컬 플레이어가 모두 같은 회의실에 들어와 토론하는 그림이 일상화됐다.

핵심 메시지를 정리한다.

가장 중요한 건 "단일 벤더가 모든 자리에 맞지는 않는다"는 점이다. 자기 창고의 SKU 구성·회전율·인력 비용·신축 여부를 정직하게 측정하고, 그 위에 레이어 스택을 설계해야 한다.

References

댓글

아직 댓글이 없습니다.

로그인하면 댓글을 쓸 수 있습니다