신뢰성 공학 관점에서 가용도는 시스템이 특정 시점에 기능을 수행할 수 있는 확률, 혹은 전체 운용 시간 중 시스템이 정상적으로 작동 가능한 시간의 비율로 정의된다(Ebeling, 2019). 전통적으로 가용도(A)는 시스템의 가동 시간과 불가동 시간을 이용하여 식 (1)과 같이 표현된다.

제조 현장과 같이 실제 운용 환경을 고려할 때는 고장 간 평균 시간(MTBF: Mean Time Between Failure) 대신 정비 간 평균 시간(MTBM: Mean Time Between Maintenance)과 평균 불가동 시간(MDT: Mean Down Time)을 반영한 운용가용도(Operational Availability, Ao)가 널리 사용된다. 운용가용도 Ao는 식 (2)와 같이 정의된다.

그러나 기존의 고정형 산업용 로봇이나 자동화 설비와 달리, 자율제조 시스템 내의 휴머노이드 로봇은 이동성과 배터리 기반 구동, 그리고 복잡한 센서 시스템을 특징으로 한다. 따라서 휴머노이드 로봇의 평균 불가동 시간은 단순한 고장 수리 시간뿐만 아니라 필수적인 배터리 충전 시간, 정밀 센서의 교정 및 예방 정비 그리고 물류 및 행정적 대기 시간까지 포함하는 포괄적인 불가동 시간으로 재정의되어야 한다. 이는 휴머노이드 로봇의 운용 효율을 저해하는 주요 요인이 되며, 기존 RAM(Reliability, Availability, Maintainability)(Ebeling, 2019) 지표만으로는 설명하기 어려운 동적 제약 사항이다. 또한 휴머노이드 로봇이 인간과 작업 공간을 공유하는 협동 로봇의 형태로 운용될 때, 가용도의 개념은 물리적 가동 유무를 넘어 '유효 생산성'의 관점으로 확장되어야 한다. ISO/TS 15066 등 관련 표준에서는 인간과의 충돌 위험을 방지하기 위해 로봇의 속도와 힘을 제한하거나, 인간 접근 시 안전 정지를 수행하도록 규정하고 있다. 이러한 안전 제약은 로봇이 기능적으로는 정상 작동 상태임에도 불구하고, 실제 생산성은 설계된 최대 성능보다 현저히 낮아지는 결과를 초래할 수 있다. 다시 말하면, 생산성을 극대화하기 위한 운용과 인간과의 안전한 협업을 위한 제약이 상충하는 상황이 발생할 가능성이 높다. 따라서 본 연구에서는 기존의 운용가용도 개념에 안전 모드 작동으로 인한 생산성 저하를 정량적으로 반영한 지수가 필요하다. 이러한 접근이 필요한 이유는 휴머노이드 로봇의 자율제조 도입 시 기술적 신뢰성뿐만 아니라 운용 환경의 안전 및 윤리적 제약이 시스템의 실질적인 품질과 생산성에 미치는 영향을 수리적으로 평가해야 하기 때문이다.

휴머노이드 로봇은 기계, 전자, 소프트웨어, 인공지능이 결합된 복합 시스템(System of Systems)으로, 단순한 기계적 성능뿐만 아니라 운용 환경의 불확실성과 다양한 이해관계자의 요구사항을 동시에 만족시켜야 한다. 이러한 복잡성을 관리하기 위한 국제 표준인 ISO/IEC/IEEE 15288(ISO/IEC/IEEE, 2015)은 시스템의 기획(Concept)부터 개발, 생산, 운용, 유지보수, 그리고 폐기에 이르는 전 생애주기 프로세스를 정의하고 있다. 이 표준의 핵심은 생애주기 단계마다 상충하는 제약 조건인 시간, 비용, 성능, 안전, 규제 등을 반복적이고 재귀적으로 식별하고 관리하는 데 있다. 이 연구에서는 ISO/IEC/IEEE 15288의 프로세스 프레임워크를 기반으로 휴머노이드 로봇의 자율제조 적용 시 고려해야 할 제약 요인을 다음과 같이 다섯 가지 측면으로 유형화할 수 있다.

• 기술적(Technical) 측면: 시스템의 요구사항 정의, 설계, 검증 및 확인(V&V) 프로세스와 연관되며, 기능 적합성과 신뢰성 확보를 목표로 한다.

• 운용적(Operational) 측면: 운용 프로세스 및 인프라 관리와 연계되며, 스케줄링, 자원 배분, 가용성 관리를 포함한다.

• 경제적(Economic) 측면: 기획 및 포트폴리오 관리 프로세스와 연관되며, 총소유비용(TCO) 및 생애주기비용(LCC) 최적화를 다룬다.

• 안전성(Safety) 측면: 시스템 안전 관리 및 리스크 허용 수준을 결정하며, 인간-로봇 협업 시 필수적인 제약 조건으로 작용한다.

• 법/윤리/표준(Legal/Ethical) 측면: 규제 준수 및 사회적 수용성을 다루며, 이는 시스템의 설계 및 운용 범위를 제한하는 외부 제약 요인이 된다.

이러한 내용을 정리하면 <Table 1>과 같다.

휴머노이드 로봇의 운용가용도 저하는 대부분 시스템 내외부의 불확실성, 즉 리스크(Risk)에서 기인한다. 국제 리스크 관리 표준인 ISO 31000은 조직이 직면한 리스크를 식별, 분석, 평가, 대응하는 순환 과정을 강조한다. 이 프레임워크를 앞서 분류한 5가지 측면에 투영하면, 기술적 고장, 운용 중단, 비용 초과, 인명 사고, 규정 위반이 서로 독립적인 변수가 아니라 상호 연결된 의사결정 변수임을 알 수 있다. 또한, INCOSE 핸드북은 안전, 보안, 회복탄력성과 같은 품질 특성이 특정 개발 단계에 국한되지 않고 생애주기 전반에 걸쳐 통합 관리되어야 함을 명시하고 있다. 이는 안전이나 윤리적 요구사항이 단순한 부가 기능이 아니라, 기술적 설계와 운용 전략을 결정짓는 핵심 제약 조건으로 다루어져야 한다는 이론적 근거를 제공한다.

이 연구에서 제안하는 연구 방향은 상위 레벨인 ISO/IEC/IEEE 15288의 생애주기 프로세스 위에, 각 측면별 구체적인 도메인 표준을 결합한 통합 프레임워크를 지향한다. 기술적 측면에서는 소프트웨어 품질 모델인 ISO/IEC 25010과 기능 안전 표준인 IEC 61508을 적용하여 신뢰성 지표를 관리하며, 안전성 측면에서는 기계 안전 표준인 ISO 12100과 협동로봇 안전 규격인 ISO/TS 15066을 통해 물리적 제약 조건을 정량화한다. 이러한 다층적 표준 체계의 통합은 휴머노이드 로봇의 복잡한 운용 문제를 수리적으로 모델링하고 최적화하기 위한 필수적인 선행 과정이다.

전통적인 신뢰성 공학에서 운용가용도(Operational Availability, Ao)는 시스템이 실제 운용 환경에서 임무를 수행할 수 있는 상태의 비율을 의미하며, 이는 정비 간 평균 시간(MTBM)과 평균 불가동 시간(MDT)에 의해 결정된다(Ebeling, 2019). 그러나 휴머노이드 로봇이 자율제조 시스템에 통합될 때, 로봇은 물리적 공간을 인간과 공유하며 상호작용하게 된다. 이때 ISO 12100 (기계 안전) 및 ISO/TS 15066 (협동로봇 안전) 등 국제 표준은 인간의 안전을 최우선 가치로 규정하며, 충돌 위험이 감지되거나 특정 안전 구역 내에서는 로봇의 속도와 힘을 제한하도록 강제한다(ISO, 2010; ISO, 2016).

이러한 안전 제약은 로봇이 기계적으로는 정상 작동 상태임에도 불구하고, 실제 생산 공정에서는 설계된 최대 성능(속도, 처리량)을 발휘하지 못하는 ‘성능 저하 구간’을 발생시킨다. 기존의 Ao 모델은 로봇이 멈추지 않는 한 이를 '가동 상태'로 간주하므로, 안전 모드로 인한 생산성 손실을 반영하지 못하는 한계가 있다. 따라서 자율제조 환경에서 휴머노이드 로봇의 실질적인 효용성을 평가하기 위해서는 물리적 가용성과 규범적 안전 제약을 통합한 새로운 지표가 요구된다.

이 연구에서는 안전 및 윤리적 제약으로 인한 생산성 저하를 정량적으로 반영하기 위해 안전운용가용도(Safety Operational Availability, A_o^SAFE) 개념을 제안한다. 이는 기존의 운용가용도 Ao에 안전 모드 생산성 계수(Safety Productivity Coefficient, C_SAFE)를 도입하여 보정한 값으로 정의된다.

여기서 C_SAFE)는 0 과 1 사이의 값을 가지는 보정 계수로, 전체 운용 시간 중 안전 규제에 의해 기능이 제한되는 비율과 그에 따른 효율성을 나타낸다. 로봇의 전체 운용 구간을 일반 모드 구간(T_Normal)과 안전 모드 구간(T_SAFE)으로 구분하고, 각 구간에서의 생산 효율을 E_Normal(일반적으로 1)과 E_SAFE(<1)로 정의할 때, C_SAFE는 식 (4)와 같이 도출할 수 있다.

예를 들어, 작업 구역의 20%가 인간과의 협업으로 인해 감속 운행이 필요한 '안전 감속 구간'이며, 이 구간에서의 작업 속도가 정상 속도의 60%로 제한된다고 가정하자. 이 경우 T_SAFE/T_total = 0.2, E_SAFE = 0.6 이 되며, 나머지 80% 구간은 정상 효율(E_Normal=1.0)로 작동하므로, 생산성 계수 C_SAFE는 0.8 × 1.0 + 0.2 × 0.6 = 0.92 가 된다. 이는 로봇이 물리적으로는 100% 가동 가능하더라도, 안전 제약으로 인해 실질적으로는 92%의 가용성만을 제공함을 의미한다.이러한 A_o^SAFE 모델은 기업이 휴머노이드 로봇 도입 시 기대할 수 있는 실제 생산량을 더 정확하게 예측하게 해주며, 안전 규제 준수에 따르는 기회비용을 수치화하여 최적의 레이아웃 설계와 작업 할당 전략을 수립하는 데 기여할 수 있다.

이 절에서는 휴머노이드 로봇의 자율제조 적용 시 고려해야 할 제약 사항을 ISO/IEC/IEEE 15288 기반의 시스템 생애주기 관점에서 기술적, 운용적, 경제적, 안전성, 법/윤리/표준의 다섯 가지 측면으로 분류하여 다루고 있다.

휴머노이드 로봇의 자율제조 도입 성공 여부는 로봇이 멈추지 않고 가동할 수 있는 시간을 얼마나 확보하느냐에 달려 있다. 이를 위해서는 개별 로봇의 상태를 기반으로 정비 시점을 결정하고, 이에 맞춰 필요한 자원(예비품, 충전 슬롯)을 적시에 공급하는 전략적 의사결정이 선행되어야 한다. 이 절에서는 PHM 정보를 활용한 정비 및 충전 스케줄링 모형과 장납기 부품의 재고 최적화 모형을 제안한다.

전통적인 시간 기반 정비는 부품의 실제 상태와 무관하게 일정한 주기로 수행되므로 과잉 정비나 돌발 고장의 위험을 안고 있다. 이에 반해 PHM 방법론은 부품의 잔여 수명(RUL: remaining useful life)과 건강 상태를 예측하여 최적의 정비 시점을 결정할 수 있게 한다(Lee et. al, 2015). 따라서 PHM 분석 결과인 잔여 수명 예측치와 고장 발생 확률을 기반으로 예방정비와 사후정비의 비율을 결정한다. 이때 잔여 수명 임계값과 리스크 허용치 그리고 경제적 임계값 등을 고려하여 정비 정책을 수립한다. 다음으로 확정된 정비 정책 하에서, 실제 로봇의 정비 일정과 충전 일정을 결합하는 스케줄링 문제를 고려해야 한다. 특히 휴머노이드 로봇의 필수적인 충전 시간(TCharging)을 정비 시간(TPM)으로 활용하여 불가동 시간(Tdowntime)을 최소화하는 것이 핵심이다. 이 문제를 효과적으로 적용하기 위해서는 다수의 로봇과 정비창 가용도, 기술자 그리고 충전 슬롯 등의 다양한 자원 제약을 고려해야 하므로 혼합정수계획법(MILP: Mixed-Integer Linear Programming)으로 수리 모형화할 수 있다. 이 연구에서는 향후 진행되어야 할 방향을 제시하는 것을 목적으로 간단하게 충전 및 정비 시간만을 고려하여 가용도 최대화를 위한 수리모형을 구성하면 아래 식 (5)과 같이 간단하게 표현할 수 있다.

다음으로 위 문제와 연관하여 장납기 부품의 재고 최적화를 고려해야 한다. 휴머노이드 로봇의 관절 모터나 정밀 센서와 같은 핵심 부품은 조달 기간이 긴 장납기 특성을 가진다. 이러한 부품의 재고가 고갈될 경우 로봇은 장기간 멈춰서게 되며, 반대로 결품을 막기 위해 재고를 과다 보유하면 막대한 재고 유지 비용이 발생한다. 이 연구는 향후 필요한 연구 방향을 제안하는 것을 목적으로 작성되었기에 특수한 수요를 추정하는 방법(Hwang et al., 2023)을 적용하기 보다는 전통적인 재고 관리 모형을 적용하기 위해 충분한 수의 휴머노이드 로봇을 운영하고 있다고 가정하고 발생하는 부품 수요는 정규분포를 따른다고 가정하고 있다. 따라서 본 연구에서는 데이터를 통해 예측된 부품 수요를 기반으로 경제적 주문량(EOQ)과 재주문점(ROP)을 동적으로 최적화하는 연구 방향을 제안한다. 기본적인 경제적 주문량 Q* 는 식 (6)과 같이 주문 고정 비용(K)과 단위당 연간 보유 비용(h), 그리고 연간 수요(D)를 통해 산출된다(Silver et. al, 2016).

여기서 휴머노이드 로봇의 부품 수요 D는 고정된 상수가 아니라, 예측된 고장률과 예방정비 스케줄에 따라 시간에 따라 변동하는 확률 변수이다. 따라서 재주문점(r)은 리드타임(L) 동안의 예상 수요(μ_L)에 안전재고(SS)를 더한 값으로 설정되어야 하며, 이때 안전재고는 목표 서비스 수준(z)과 수요의 표준편차(σ_L)에 의해 결정된다. 따라서 r = μ_L + SS = μ_L + zσ_L 로 표현할 수 있다. 특히 장납기 부품의 경우 리드타임의 불확실성이 안전재고를 기하급수적으로 증가시키는 채찍 효과를 유발할 수 있으므로 이를 해결하기 위해 유지보수와 재고의 결합 최적화 접근 방식을 취해야 할 것이다. 즉 신뢰성 정보를 통해 정비 시점을 미리 예측함으로써 리드타임 내의 긴급 수요 불확실성을 줄이고 안전재고 수준을 낮추면서도 목표 가용도를 달성할 수 있는 비용 효율적인 재고 정책을 수립하는 것에 대한 수리 모형 기반 연구가 필요하다.

휴머노이드 로봇은 기존 산업용 로봇과 달리 배터리로 구동되며 이동과 작업에 소모되는 에너지가 크고 충전 빈도가 잦을 것으로 예측된다. 따라서 주어진 가동 시간 동안 수행 가능한 모든 작업을 처리하는 것은 물리적으로 불가능할 수 있으므로, 전체 작업 풀 중에서 어떤 작업을 선택하여 수행할 것인지 결정하는 작업 할당 문제가 선행될 수 있어야 한다. 이러한 문제는 조합 최적화의 대표적인 형태인 배낭 문제(Knapsack Problem)로 모델링할 수 있다. 우선 단일 로봇의 작업 선택 모형인 0-1 배낭 문제를 고려하면, 이는 가장 기본적인 형태의 작업 할당을 다루는데, 단일 로봇이 제한된 자원(시간 또는 에너지) 내에서 수행할 작업의 부분 집합을 선택하는 문제이다. 각 작업 i는 수행에 필요한 비용 w_i (소요 시간, 에너지 소모량)와 완료 시 얻을 수 있는 이윤 v_i (납기 준수 기여도나 공정 중요도 혹은 품질 점수 등)을 가진다. 로봇의 가용한 자원의 총량(예: 배터리 완충 시 가동 가능 시간)을 W라고 가정하면, 이 문제는 아래 식 (7)와 같이 0-1 배낭 문제로 모형화할 수 있다.

여기서 x_i 는 작업 I 가 할당되면 1, 그렇지 않으면 0의 값을 갖는다. 이 모형은 자원의 총량을 초과하지 않으면서 목적함수인 이윤을 극대화하는 것이다. 여기에 앞서 3장에서 언급한 안전운용가용도 개념이 자원의 총량에 직접적인 영향을 미칠 수 있는데, 이는 안전 규제로 인해 로봇의 이동 속도가 제한되거나 정지가 잦아지면 실질적으로 가용한 자원 중 배터리의 활용량이 줄어들 수 있다. 따라서 정확한 작업 할당을 위해서는 안전 계수가 반영된 유효 자원량을 기준으로 자원의 총량을 재설정해야 할 수 있다.

다음으로 다차원 자원 제약을 고려한 확장을 생각할 수 있다. 이는 실제 자율제조 현장에서 시간이나 에너지라는 단일 제약뿐만 아니라, 예비 부품의 수량과 충전 슬롯의 가용성 그리고 정비 인력의 가용 시간 등 다양한 자원이 동시에 고려되어야 한다. 또한, 다수의 휴머노이드 로봇이 동시에 작업을 수행할 수 있으므로 자원 경합이 발생할 수 있다. 이러한 복잡성을 반영하기 위해 다차원 배낭 문제(MDKP: Multi-Dimensional Knapsack Problem)의 확장 연구가 필요하다(Gerkey and Matarić, 2004). 다차원 제약은 아래 식 (8)과 같이 간단한 구조를 들어 생각할 수 있다.

여기서 w_ij 는 작업 I 가 자원 i 를 얼마나 소모하는지를 나타내며, C_j 는 해당 자원 j 의 총 가용량을 의미한다. 이 문제는 NP-Hard 문제로 알려져 있어(Martello and Toth, 1990) 작업의 수와 제약 조건이 증가할수록 계산 복잡도가 기하급수적으로 증가한다. 따라서 실시간성이 요구될 것으로 예측되는 자율제조 현장에서는 실효적으로 활용할 수 있는 해법을 제시할 수 있는 알고리즘에 대한 연구도 수행되어야 할 것이다. 이러한 수리 모형은 어떤 공정이 현재의 배터리 잔량과 보유 부품 현황에서 가장 높은 부가가치를 창출할 수 있도록 의사결정을 지원할 것이며 이러한 부분이 기업의 경쟁력으로 이어질 것이다.

배낭 문제 해법을 통해 수행할 작업의 목록이 확정되었다면 다음 단계는 이 작업들을 최소한의 비용으로 완수하기 위한 최적의 방문 순서와 이동 경로를 도출하는 것이다. 이 문제는 거시적 관점의 작업 순서 결정과 미시적 관점의 동적 경로 계획으로 구성될 수 있다.

우선 휴머노이드 로봇이 작업 위치 간을 이동할 때는 최단 거리뿐만 아니라 배터리 소모량과 안전 리스크를 복합적으로 고려해야 한다. 정적인 환경을 가정한 전통적인 다익스트라(Dijkstra) 알고리즘은 시간에 따라 변화하는 제조 현장(예: 지게차 이동, 작업자 접근, 바닥 물기 등)의 동적 장애물을 반영하지 못하는 한계가 있다. 따라서 시간에 따라 장애물이 발생하거나 이동 시간이 변화하는 동적 다익스트라 수리 모형을 개발해야 한다. 이러한 모형을 간단하게 제시하면 다음 식 (9)과 같다. 우선 노드 u에서 v로 이동하는 비용 C_uv(t) 는 식 (9)과 같이 정의된다.

여기서 T_uv(t) 는 이동 시간, E_uv(t) 는 이동 간 소모되는 에너지, R_uv(t) 는 해당 경로의 안전 위험도를 의미하며, α와 β, γ는 가중치다. 특히 에너지 소모량은 경사 정도와 바닥 마찰력, 로봇의 탑재 하중에 따라 비선형적으로 변화하는 것을 모형에 반영해야 한다. 또한 위험도는 사람과의 협업을 고려해야 하기 때문에 3.1절에서 제시한 안전운용가 용도와 연계되어 작업자가 밀집한 구역이나 협소한 통로를 지날 때 높은 페널티를 부여하는 방식으로 수리모형에 포함해야 할 것이다.

다음으로 다중 로봇 작업 순서 최적화 모형을 고려해야 한다. 선정된 다수의 작업을 여러 대의 휴머노이드 로봇이 분담하여 수행하는 문제는 다중 외판원 순회 문제(mTSP: multiple traveling salesman problem, )로 모형화할 수 있다. 이는 모든 작업 지점을 정확히 한 번씩 방문하고 출발지로 복귀하는 총 이동 비용을 최소화하는 것이 목표이다. 일반적인 외판원 순회 문제와 달리 휴머노이드 로봇은 배터리 충전 제약이 추가되므로 이는 전기차 경로 탐색 문제(E-VRP: Electric Vehicle Routing Problem)의 형태로 확장될 것이다(Toth and Vigo, 2014). 로봇은 작업을 수행하다가 배터리 잔량이 임계치 이하로 떨어지기 전에 반드시 충전 스테이션을 경유하는 경로를 생성해야 한다. 이러한 문제를 해결하기 위해 수리모형화할 때 핵심적인 제약 조건으로 서브투어(subtour) 방지를 고려해야 할 것이다. 이는 일부 노드끼리만 연결되는 분리된 서브투어가 발생하지 않도록 제약식을 구성해야 한다. 이러한 다중 외판원 순회 문제 및 전기차 경로 탐색 문제 문제는 앞서 다루고 있는 수리모형들과 같이 NP-Hard 난이도를 가지므로 작업 노드 수가 증가할수록 계산 시간이 기하급수적으로 늘어날 수 있으므로 해법에 대한 연구도 필요할 것이다. 결론적으로 4.3절의 모형은 4.1절의 정비 및 충전 스케줄과 4.2절의 작업 할당 결과를 입력받아 로봇이 실제로 어떻게 움직일지를 결정하는 구체적인 실행 계획을 수립함으로써 자율제조 시스템의 효율성을 높일 수 있다.

앞선 4장에서는 휴머노이드 로봇의 운용 효율을 높이기 위해 정비와 재고, 작업 할당, 경로 계획 등 개별 단위의 수리 모형을 다루고 있다. 그러나 실제 자율제조 현장에서 이러한 문제들은 독립적으로 발생하지 않으며, 서로 강한 상호 의존성을 가지고 있다. 휴머노이드 로봇의 자율제조 분야의 활용을 위해 작업 선택과 작업 순서, 정비, 재고 그리고 안전이라는 다섯 가지 의사결정 변수가 동시에 고려되어야 한다. 우선 작업 할당과 경로 계획을 보면 다음과 같다. 4.2절에서 다룬 배낭 문제를 통해 선정된 작업 목록은 4.3절에서 다룬 경로 계획(다중 외판원 순회 문제)의 입력값이 될 수 있다. 동시에 다중 외판원 순회 문제를 통해 산출된 이동 경로의 총 에너지 소모량이 예상보다 클 경우 이는 다시 배낭 문제의 가용 용량 제약에 영향을 주어 작업 선택이 변경될 수 있다. 다음으로 경로 계획은 정비 스케줄링과 밀접한 연관을 가진다. 로봇이 이동하며 소모한 배터리와 부품의 열화 정보는 신뢰성 정보로 분석될 수 있다. 이는 4.1절의 정비 및 충전 스케줄링에 제약조건으로 작용할 수 있으며 정비가 결정되면 로봇은 작업 경로를 이탈하여 정비창으로 이동해야 하므로 경로 계획을 수정해야 한다. 또한 정비 스케줄링과 재고 최적화 간의 관계를 고려해야 한다. 정비 스케줄링에 따라 부품의 수요가 결정되는데 이는 경제적 주문량과 안전재고 수준을 결정하는데 영향을 미친다. 만약 재고가 부족하다면, 이는 정비 지연을 초래하여 가용도를 떨어뜨리고 이에 따라 수행 가능한 작업량을 감소시키는 결과를 일으킬 수 있다. 마지막으로 안전 및 규제의 전방위적 영향을 고려해야 한다. 안전운용 가용도는 위에서 언급하고 있는 모든 모형의 제약 조건으로 작용할 것으로 예상된다. 안전 규제로 인한 감속 운행은 이동 시간을 늘리고 작업 처리량을 줄이며 동시에 정비 주기에 영향을 미칠 것이다. 따라서 향후 연구는 이러한 순환 고리를 끊지 않고, 전체 시스템의 총 비용을 최소화하거나 가용도를 극대화하는 대규모 통합 최적화 모형을 개발하는 방향으로 나아가야 한다.

다음으로 이 연구에서 언급하고 있는 수리모형들은 대다수 NP-Hard 문제로 구성된다. 따라서 기존의 정확한 해법 알고리즘으로는 의미 있는 시간 안에 실시간에 가까운 해의 도출이 불가능할 수 있다. 또한 자율제조 환경은 다품종 소량생산에 기반을 둘 가능성이 높기 때문에 잦은 주문 변경과 돌발 고장, 인간 작업자의 개입 등 확률적 변동성이 매우 높을 것으로 예측된다. 따라서 메타 휴리스틱 알고리즘과 같이 계산 복잡도를 낮추면서도 준최적해를 빠르게 도출하는 알고리즘 개발이 필요할 수 있다. 또한 심층 강화학습을 통해 로봇이 환경과의 상호작용을 통해 스스로 최적의 행동(작업 선택이나 이동 혹은 충전 및 복귀)을 학습하는 에이전트 기반 모델링 연구가 필요하다. 이는 복잡한 수리적 제약을 명시적으로 모델링하지 않고도 동적 환경에 유연하게 대응할 수 있는 대안이 될 수 있을 것이다.