Physical AI 시대에 로봇 미들웨어(Robot middleware)는 새로운 역할에 직면해 있습니다. 학습된 정책(Learned policies), 플래너(Planners), 그리고 시각-언어-행동(Vision-Language-Action, VLA) 모델들은 이제 제어 경로(Control path) 상의 인과적 참여자로서 배포된 로봇에 진입하지만, 이들을 타이밍(Timing), 스케줄링(Scheduling), 네트워크(Network)와 통합하는 계층은 아직 명명되지 않았습니다. 최근의 언어 에이전트(Language-agent) 연구에서는 이 계층을 하네스(Harness)라고 부릅니다. 즉, 도구를 중재하고, 상태를 관리하며, 리소스를 제한하고, 실행을 기록하는 외부 시스템을 의미합니다. 로보틱스 커뮤니티는 아직 이러한 프레임워크를 채택하지 않았으며, 우리는 로봇 미들웨어가 바로 그 하네스라고 제안합니다.

Physical AI 하네스는 개입하는 위치 측면에서 소프트웨어 하네스(Software harness)와 다릅니다. 소프트웨어 하네스는 도구 호출(Tool-call) 경계에서 중재합니다. 반면 Physical AI 하네스는 제어(Control), 컴퓨팅(Computing), 통신(Communication)을 동시에 중재해야 합니다. 학습된 정책의 출력은 이 세 가지 모두를 가로지르기 때문입니다. 즉, 정책의 명령은 궤적(Trajectory)을 변화시키고, 추론 시간(Inference time)은 스케줄을 변화시키며, 페이로드(Payload)는 대역폭(Bandwidth)을 변화시킵니다. 로봇 미들웨어는 이 세 가지 모두에 대해 중재 추상화(Mediating abstractions)를 제공하는 로봇 스택의 가장 낮은 계층이므로, 이들의 강제(Enforcement)를 구성하기에 가장 적합한 위치에 있습니다. 미들웨어는 이미 하네스에 필요한 대부분을 제공하고 있지만, AI 모델을 위한 강제 기능은 부족한 상태입니다.

우리는 이 누락된 강제 기능을 세 가지 함수로 명명합니다: 출력 시마다 각 출력을 제어하는 투영(Projection), 모델의 실행 및 전송 슬롯을 제한하는 격리(Isolation), 그리고 검사 실패 시 검증된 베이스라인으로 전환하는 전이(Transfer)입니다. 오늘날 이 기능들은 로봇 미들웨어가 이미 제공하는 기반 위에서 구축된, 배포된 로봇 시스템 내의 수동 제작된 애플리케이션 코드 형태로 존재합니다. 로봇 미들웨어는 단일 축의 강제 도구가 아니라, 이 세 가지를 모두 구성하는 계층으로서 이들을 호스팅해야 합니다. 우리는 이를 ROS 2 하네스 프로필(ROS 2 Harness Profile)로 스케치합니다. 이는 AI 모델의 선언된 출력 영역, 추론 예산(Inference budget), 운영 체제(Operating regime)를 전달하는 배포 아티팩트(Deployment artifact)이며, 미들웨어는 이를 ROS 2, DDS, Zenoh 전반에 걸쳐 강제합니다.