Uniqlo, Daifuku 로봇 도입을 통해 창고 인력 90% 감축

Uniqlo의 한 창고는 일본 최대 물류 시스템 제조업체 중 하나인 Daifuku와 함께 개발한 창고 자동화 (Warehouse Automation) 덕분에 이전보다 인력이 90% 적은 상태로 운영되고 있습니다.

이 사례는 고립된 실험이 아닙니다. 이는 로봇, 컴퓨터 비전 (Computer Vision), 그리고 라우팅 소프트웨어 (Routing Software)가 수십 년 동안 사람이 수행해 온 업무를 대체하고 있는 글로벌 이커머스 (E-commerce) 물류의 흐름을 보여주는 가장 가시적인 사례입니다.

요약 (TL;DR)

Uniqlo의 모기업인 Fast Retailing은 Daifuku의 로봇을 활용해 창고를 자동화한 후, 해당 창고에 필요한 인력을 90% 줄였습니다.
이 프로젝트는 Uniqlo 공급망의 디지털 전환인 Ariake Project의 일환으로 2018년에 시작되었습니다.
도쿄에 위치한 Ariake 물류 센터는 이 정도 수준의 로봇 자동화를 적용하여 운영된 초기 사례 중 하나입니다.
로봇들은 의류를 분류하기 위해 다관절 암 (Articulated arms), 무인 운반차 (AGV, Automated Guided Vehicles), 그리고 컴퓨터 비전 (Computer Vision)을 결합하여 사용합니다.
Fast Retailing의 기술 파트너인 Daifuku는 세계 최대의 창고 자동화 시스템 제조업체 중 하나입니다.
이러한 자동화는 일본의 물류 인력 부족과 지속적인 이커머스 성장세에 대응하기 위한 조치입니다.
Amazon (Amazon Robotics 포함)과 Ocado 역시 수동 피킹 (Manual picking) 대신 이동형 로봇과 라우팅 알고리즘을 사용하는 유사한 접근 방식을 취하고 있습니다.
이 모델은 이커머스 수요가 계속 증가하는 가운데 물류 분야의 고용 미래에 대한 질문을 던집니다.

무슨 일이 일어났나

Uniqlo의 모기업인 Fast Retailing은 자사의 물류 센터 중 한 곳이 자동화 이전과 비교해 불과 극히 일부의 인력만으로 운영되고 있음을 확인했습니다. 이 일본 기업은 물류 시스템 전문 기업인 Daifuku와 협력하여 피킹 로봇 (picking robots), 무인 운반차 (AGV, Automated Guided Vehicles), 그리고 지능형 컨베이어 벨트 (intelligent conveyor belts)를 결합하여 설치했으며, 이 장치들은 과거 수십 명의 작업자가 담당하던 업무를 현재 수행하고 있습니다.

Fast Retailing의 보고에 따르면, 그 결과 해당 특정 창고를 운영하는 데 필요한 인력이 약 90% 감소했습니다. 이는 센터를 폐쇄하거나 없애는 것이 아니라, 24시간 내내 의류를 분류, 포장 및 출고하는 기계들을 중심으로 워크플로 (workflow)를 완전히 재설계하는 것을 의미합니다.

배경 및 역사: Ariake Project

Uniqlo의 창고 자동화는 하루아침에 이루어진 것이 아닙니다. 2018년, Fast Retailing은 내부적으로 'Ariake Project'라고 부르는 계획을 발표했는데, 이는 의류 설계 방식부터 최종 고객에게 전달되는 방식에 이르기까지 엔드 투 엔드 (end-to-end) 디지털 전환 (digital transformation) 계획이었습니다. 이 명칭은 도쿄 만에 위치한 Ariake 지역에서 유래되었으며, 이곳에 회사는 최초의 고도 자동화 물류 센터를 설치했습니다.

설립자이자 CEO인 Yanai Tadashi가 밝힌 목표는 Uniqlo를 정보 기업으로 전환하여, 몇 달 전의 고정된 예측에 따라 생산 및 유통하는 대신 실시간 수요에 대응할 수 있는 기업으로 만드는 것이었습니다. 창고 자동화는 이 계획의 핵심 요소였습니다. 정확하고 실시간적인 재고 데이터 없이는 그 어떤 재보충(replenishment)이나 생산 결정도 빠르게 조정될 수 없기 때문입니다.

일본의 상황은 이러한 시급성을 이해하는 데 도움을 줍니다. 일본은 인구 고령화로 인해 물류 인력의 구조적 부족 문제에 직면해 있으며, 이커머스 (e-commerce)는 점점 더 빠른 배송을 요구하고 있습니다. 자동화는 단순히 효율성을 위한 선택이 아닙니다. 많은 경우, 단순히 존재하지 않는 노동력에 의존하지 않고 주문량을 유지할 수 있는 유일한 방법입니다.

AGV는 고정된 경로가 아닌 실시간으로 계산된 경로를 따라 이동합니다.

창고 자동화의 기술적 세부 사항

아리아케 (Ariake)와 같은 창고는 함께 작동하는 여러 기술 계층을 결합합니다. 첫 번째는 WMS (Warehouse Management System, 창고 관리 시스템)로, 어떤 제품이 어느 위치에 있는지, 어떤 주문을 어떤 순서로 구성해야 하는지를 파악하는 핵심 소프트웨어입니다. 두 번째 계층은 무인 운반차 (AGV, Automated Guided Vehicle)로, 선반이나 컨테이너를 피킹 (picking) 스테이션까지 운반하는 이동형 로봇입니다. 세 번째는 컴퓨터 비전 (computer vision)을 탑재한 로봇 팔로, 개별 의류를 식별하여 사이즈, 색상 또는 주문별로 분류합니다 (의류는 형태가 변하고 상자처럼 단단한 모양이 아니기 때문에 생각보다 어려운 작업입니다).

충돌이나 병목 현상 없이 AGV를 한 지점에서 다른 지점으로 이동시키기 위해, 제어 소프트웨어는 지속적으로 경로 최적화 (routing) 문제를 해결합니다. 즉, 혼잡한 통로를 피하면서 로봇의 현재 위치와 목적지 사이의 최단 경로를 찾는 것입니다. 이는 지도상의 거리 최단 경로 알고리즘이 해결하는 문제와 동일한 유형이며, 단지 창고 평면에 적용되었을 뿐입니다. A* (가장 유망한 경로를 우선시하는 Dijkstra 알고리즘의 변형)를 사용하여 해당 경로를 계산하는 방식에 대한 단순화된 Python 예시는 다음과 같습니다:

import heapq

def a_star(grafo_almacen, inicio, destino):
...

이 코드 조각은 AGV(무인 운반차)가 누적 비용을 최소화하며 지점 A에서 지점 B까지 이동하기 위해 거쳐야 하는 노드(통로, 교차로) 시퀀스를 반환합니다. Daifuku의 상용 시스템과 Dematic 같은 경쟁사들의 시스템은 다른 로봇이 통로를 막았을 때 밀리초(ms) 단위로 경로를 재계산하도록 조정된, 이 알고리즘 계열의 독자적인 변형 알고리즘을 사용합니다.

주문이 생성되어 창고를 나갈 때까지의 전체 흐름은 이러한 시설에서 상당히 표준적인 시퀀스를 따릅니다:

flowchart TD
    A["온라인 주문"] --> B["WMS (창고 관리 시스템)"]
    B --> C["AGV가 명령 수신"]
...

컴퓨터 비전 (Computer Vision) 계층은 성숙하는 데 가장 많은 비용과 시간이 소요된 부분입니다. 평평한 바코드가 있는 직사각형 상자를 인식하는 것에 비해, 접혀 있거나 반투명하거나 복잡한 패턴이 있는 티셔츠를 인식하는 것은 비전 모델에게 훨씬 더 어렵습니다. 바로 이 지점에서 다양한 위치, 방향 및 조명 조건에서의 수천 장의 의류 이미지를 사용하여 특화 학습된 객체 탐지 (Object Detection) 모델이 투입됩니다.

💭 핵심: 의류 창고 자동화의 실제 어려움은 상자를 옮기는 것이 아니라, 로봇이 부드럽고 변형 가능한 (deformable) 물체를 손상시키지 않고 올바르게 잡는 데 있습니다. 그렇기 때문에 섬유 자동화는 전자제품이나 식료품 같은 경성 제품 (rigid products) 창고 자동화보다 몇 년 뒤에나 도달할 수 있었습니다.

창고 자동화 평가를 시작하는 방법

어떠한 중견 기업도 하루아침에 Ariake와 같은 시스템을 설치하지는 않겠지만, 모든 물류 또는 개발 팀은 투자하기 전에 시뮬레이션을 통해 이러한 시스템을 이해하기 시작할 수 있습니다. Robot Operating System (ROS)는 물리적인 로봇을 단 한 대도 구매하지 않고 AGV 플릿 (fleet)을 시뮬레이션하기 위한 가장 일반적인 출발점입니다.

Ubuntu에 데스크톱 버전을 설치하고 모바일 로봇 시뮬레이션 실험을 시작하려면:

sudo apt update
sudo apt install ros-humble-desktop
source /opt/ros/humble/setup.bash

ROS가 설치되면, 실제 하드웨어를 다루기 전에 가상 창고 지도에서 내비게이션 (navigation) 알고리즘을 테스트하고 여러 AGV (Automated Guided Vehicle) 간의 충돌을 방지하기 위해 Gazebo와 같은 시뮬레이터를 실행할 수 있습니다. 경로 최적화 (routing) 문제 자체를 위해서는 완전한 시뮬레이터조차 필요하지 않습니다. Python의 networkx와 같은 라이브러리만으로도 창고 지도를 그래프 (graph)로 모델링하고 다양한 최단 경로 (shortest path) 알고리즘을 테스트하기에 충분합니다.

pip install networkx

REST API로 노출된 전형적인 WMS (Warehouse Management System)에서 재고 상태를 조회하는 기본적인 호출은 다음과 같습니다.

curl -X GET "https://api.almacen-ejemplo.com/v1/inventario/SKU-4521" \
  -H "Authorization: Bearer TU_TOKEN_WMS" \
  -H "Accept: application/json"

전형적인 응답에는 창고 내 제품의 정확한 위치, 가용 수량, 진행 중인 주문에 대한 예약 상태가 포함됩니다. WMS는 이러한 데이터를 AGV와 피킹 (picking) 로봇에 실시간으로 전달하여 다음 작업을 결정하게 합니다.

영향 및 분석: Uniqlo 대 Amazon 및 Ocado

Uniqlo이 창고 자동화에 승부수를 던지는 유일한 기업은 아니지만, 그 접근 방식은 다른 유통 거물들과는 미묘한 차이가 있습니다. Amazon Robotics (이전 Kiva Systems)는 선반 전체를 사람이 작업하는 고정 스테이션으로 이동시키는 인간-로봇 하이브리드 모델을 사용합니다. 영국의 온라인 슈퍼마켓인 Ocado는 식료품 주문을 처리하기 위해 창고 상단의 레일 위를 움직이는 로봇의 3차원 그리드 (grid)를 사용합니다. 반면, Uniqlo과 Daifuku의 모델은 컨테이너의 이동뿐만 아니라 가장 어려운 단계인 부드러운 의류의 개별 피킹 (picking) 단계까지 자동화하는 것을 목표로 합니다.

기업 | 기술 | 접근 방식 | 한계

이러한 비교는 한 가지 사실을 명확히 해줍니다: 아직 단 하나의 승리하는 접근 방식은 존재하지 않습니다. 각 모델은 취급하는 제품의 유형에 따라 대응합니다. 상자나 통(can)은 가변적인 형태 때문에 오랫동안 완전 자동화가 불가능하다고 여겨졌던 의류보다 완전 자동화에 더 적합합니다.

노동에 미치는 영향은 실질적이며 솔직하게 언급할 가치가 있습니다: 만약 창고에 90% 적은 인력이 필요하다면, 그 사람들은 그곳에서 해당 업무를 수행할 수 없게 됩니다. Fast Retailing은 인력을 유지보수, 품질 감독 및 예외 상황 처리 업무로 재배치하는 것을 목표로 한다고 공개적으로 밝혔으나, 창고 자동화가 이 정도 규모로 진행될 때 물류 분야의 순 운영직 일자리 수는 감소하는 경향이 있습니다.

⚠️ 주의: 인력이 90% 감소한다는 것이 사람이 0명이 된다는 의미는 아닙니다. 자동화 시스템은 예외 상황 처리, 로봇 유지보수 및 품질 관리를 위해 여전히 인간 작업자를 필요로 하며, 이러한 업무들은 사라지는 것이 아니라 그 성격이 변하는 것입니다.

향후 계획

Fast Retailing은 Daifuku의 기술이 성숙해지고 비용이 저렴해짐에 따라 이 창고 자동화 모델을 더 많은 물류 센터로 확장할 계획입니다. 다음 기술적 과제는 의류 유형별로 별도의 라인을 구축할 필요 없이, 동일한 피킹 (picking) 시스템으로 Uniqlo의 전체 카탈로그(속옷부터 두꺼운 코트까지)의 완전한 가변성을 처리하는 것입니다.

이와 병행하여, 컴퓨터 비전 (Computer Vision) 모델의 개선(다른 분야의 이미지 인식 기술을 추진하는 것과 동일한 발전)이 현재 이러한 시스템의 병목 현상 중 하나인 피킹 (picking) 오류율을 더욱 낮출 것으로 기대됩니다. 나머지 리테일 (retail) 산업에 남겨진 과제는, Ariake와 같은 시스템을 설치하는 것이 선반과 지게차를 사용하는 전통적인 창고보다 훨씬 더 많은 자본을 필요로 한다는 점을 고려할 때, 얼마나 많은 중견 기업들이 이러한 투자를 감당할 수 있느냐는 것입니다.

로봇에게 옷을 분류하는 것은 딱딱한 상자를 분류하는 것보다 더 어렵습니다.

📖 Telegram 요약: 요약 보기

직접 시도해 보세요: pip install networkx로 networkx를 설치하고 창고 평면도를 그래프 (graph)로 모델링하여, 최단 경로 알고리즘 (shortest path algorithm)이 AGV의 경로를 어떻게 결정하는지 직접 확인해 보세요.

자주 묻는 질문 (FAQ)

Uniqlo의 Ariake Project란 무엇인가요?

이는 Fast Retailing이 2018년에 시작한 디지털 전환 (digital transformation) 계획으로, 의류 디자인부터 유통에 이르기까지 공급망 (supply chain) 전체를 현대화하여 실시간 데이터 기반 기업으로 운영하는 것을 목표로 합니다.

이 프로젝트에서 Daifuku는 어떤 역할을 수행하나요?

Daifuku는 물리적 자동화 시스템을 설계하고 설치한 기술 파트너입니다. 이 시스템에는 현재 기존 인력의 극히 일부만으로 창고를 운영할 수 있게 해주는 무인 운반차 (AGV), 로봇 팔 (robotic arms), 컨베이어 벨트 (conveyor belts) 등이 포함됩니다.

Insights