인간은 일상생활에서 "스마트폰이 책상 위에 있다", "자동차가 건물 뒤편으로 사라졌다", "컵이 식탁 모서리에 위태롭게 걸쳐 있다"와 같은 공간 관계를 직관적으로 이해하고 판단합니다. 하지만 컴퓨터에게 이를 정밀한 수치 좌표만으로 표현하는 것은 막대한 연산 비용을 초래하며, 실제 인간의 상식적 사고방식과도 일치하지 않습니다. 이에 따라 인공지능 학자들은 공간 지식을 효율적으로 모델링하는 두 가지 접근법을 발전시켜 왔습니다:
| 구분 | 정량적 공간 모델링 (Quantitative) | 정성적 공간 추론 (Qualitative Spatial Reasoning, QSR) |
|---|---|---|
| 핵심 방식 | 데카르트 좌표계(x, y, z), 유클리드 거리 공식, 벡터 미적분학, 기하학적 수치 행렬. | 연속적인 공간을 이산적이고 상징적인 논리 관계(위상, 방향, 정성적 거리)로 추상화. |
| 장점 | 센티미터·밀리미터 단위의 절대적 정밀도 제공 (CAD, 물리 시뮬레이터). | 불완전하거나 노이즈가 있는 데이터에서도 빠르고 상식적인 논리 추론 가능, 연산 복잡도 감소. |
| 단점 | 형태 묘사 및 '상식적 의미' 추상화(Abstraction)에 취약, 불확실한 환경에서 연산 부담. | 초정밀 수치 제어에는 한계가 있어 하위 물리 제어 엔진과의 융합 필요. |
| 대표 예시 | 3D 포인트 클라우드 좌표, 로봇 관절 각도 기네마틱스(Kinematics). | "A가 B의 안(Inside)에 있다", "A가 B와 접(Touch)해 있다", "A가 B의 왼쪽에 있다". |
① 위상 관계 (Topological Relations)
객체들의 기하학적 형태가 회전하거나 늘어나도 변하지 않는 연결성을 다룹니다. 대표적으로 RCC-8 (Region Connection Calculus)은 두 공간 영역 사이의 8가지 기본 관계(분리 DC, 외접 EC, 부분중첩 PO, 동일 EQ, 고유부분 TPP 등)를 정립하여 논리적 추론의 기초를 제공합니다.
② 방향 관계 (Directional Relations)
참조 프레임(Coordinate Frames)을 기준으로 객체의 상대적 방위를 규명합니다. 절대적 방위(동서남북)와 관찰자/객체 중심의 상대적 방위(앞, 뒤, 좌, 우)를 투영(Projection) 모델과 원추형(Cone-based) 모델로 형식화합니다.
③ 정성적 거리 (Qualitative Distance)
정확한 미터(m) 단위 대신 "인접함(Close)", "보통(Medium)", "멂(Far)"과 같이 문맥에 따라 가변적인 거리 개념을 퍼지 논리(Fuzzy Logic) 및 구간 연산으로 형식화하여 다룹니다.
④ 형태 및 크기 추상화 (Shape & Size)
복잡한 3D 다각형 메시를 경계 상자(Bounding Box), 볼록 껍질(Convex Hull), 구체(Sphere) 등으로 단순화하여 충돌 감지 및 포함 관계를 고속으로 검사합니다.
공간 추론은 인공지능이 모니터 화면 속의 텍스트나 픽셀 덩어리를 넘어, 실제 3차원 물리 세계와 상호작용하는 지능체(Embodied Agent)로 진화하기 위한 필수적인 두뇌 기능입니다.
물리학에서는 사물의 움직임을 복잡한 미분 방정식으로 기술하지만, 인간과 AI는 매번 미분 방정식을 풀지 않고도 "공이 굴러가면 벽에 부딪혀 튕겨 나갈 것이다", "물이 든 컵을 기울이면 쏟아질 것이다", "초가 타면 크기가 줄어들 것이다"라는 일반적인 경향을 즉각 추론합니다. Weld & de Kleer(1990)가 발전시킨 정성적 추론 (Qualitative Reasoning)과 결합된 공간 추론은 AI가 물리 세계의 인과율을 상식적으로 이해하도록 만듭니다.
2. 로봇 내비게이션 & SLAM
로봇이 미지의 환경에서 센서 지도를 작성함과 동시에 자신의 현재 위치를 추정하는 SLAM (Simultaneous Localization and Mapping) 및 장애물을 우회하는 글로벌·로컬 경로 계획(Path Planning)의 핵심 엔진으로 작동합니다.
3. 시각-언어 그라운딩 (Spatial Grounding)
최신 멀티모달 AI(VLM)에서 "냉장고 오른쪽 두 번째 서랍을 열어라"와 같은 인간의 자연어 공간 명령을 3D 시각 장면(Visual Scene) 속 객체 좌표 및 액션으로 정확하게 매핑(Grounding)하는 역할을 담당합니다.
4. 시각적 질의응답 (Visual Question Answering)
이미지나 3D 공간을 보고 "어떤 물체가 소파와 탁자 사이에 놓여 있는가?", "트럭이 승용차를 추월할 수 있는 충분한 공간이 있는가?"와 같은 고난도 공간 관계 추론 문제를 해결합니다.
5. 시간-공간 시공간 추론 (Spatio-Temporal)
시간의 흐름에 따라 객체의 위치와 형태가 변화하는 동적 환경을 다루기 위해 시간 추론 (Temporal Reasoning)과 결합되어, 움직이는 보행자의 미래 이동 궤적을 예측합니다.
공간 추론 기술은 자율주행부터 우주 탐사, 첨단 의료에 이르기까지 현실 세계의 물리적 공간을 다루는 모든 첨단 기술 분야에 핵심적으로 적용되고 있습니다:
🚗 자율주행 자동차 & 무인 모빌리티
3D LiDAR와 카메라 비전으로 주변 차량, 보행자, 도로 경계와의 상대적 위치·거리·속도를 실시간으로 추론하여, 안전한 차선 변경, 끼어들기 판단, 충돌 방지 궤적을 생성합니다.
🦾 서비스 로봇 & 스마트 물류
물류 창고 내 무인 운반 로봇(AGV/AMR)의 군집 충돌 방지 및 다단 적재 계획, 가정용 가사 로봇의 설거지 식기 정리, 방 청소 시 가구 배치 인식 및 조작(Manipulation)을 수행합니다.
🗺️ GIS (지리정보시스템) & 스마트 시티
위성 영상 및 지형 공간 빅데이터를 기반으로 최적 도로망 및 지하 인프라 배치, 산불 및 홍수 확산 시뮬레이션, 대중교통 배차 및 도심 열섬 현상 분석에 필수적입니다.
🏥 의료 영상 분석 & 컴퓨터 보조 수술
3D CT/MRI 영상에서 종양과 주요 혈관·장기 사이의 해부학적 3차원 공간 위상 관계를 분석하여, 수술 로봇의 정밀한 절개 경로 안내 및 방사선 치료 각도를 최적화합니다.
🏗️ 디지털 트윈 & 건축 CAD/BIM
대규모 플랜트, 스마트 빌딩, 공항 건축 시 배관과 전기 배선 간의 공간 간섭 체크(Clash Detection), 화재 피난 동선 최적화, 제조 공장 라인의 작업자 공간 안전성을 사전 검증합니다.
🥽 메타버스 & 증강/가상현실 (AR/VR)
현실 세계의 물리적 방 구조와 가구의 평면을 실시간 감지하여 가상 3D 객체가 벽 뒤에 숨겨지거나(Occlusion) 실제 탁자 위에 자연스럽게 얹혀지도록 정합하는 공간 앵커링을 실현합니다.
인공지능의 거두 Nils J. Nilsson (닐스 닐슨, 1998)은 인공지능이 인간과 같은 상식을 갖추기 위해 물리적 세계의 공간과 상태 변화를 형식화하는 연구의 중요성을 역설했습니다:
"아직까지 인공지능 (Artificial Intelligence)에서 (현재 진행 중인 CYC 작업을 제외하고) 상식 (Commonsense)을 가진 시스템을 만들지 못했지만, AI 학자들은 여러 가지 측면에서 상식을 표현하는 문제를 공략하고 있다. AI 시스템은 질량, 온도, 부피, 압력, 방사선 수준, 파장 길이 및 이들 사이의 관계 등에 대한 물리적인 성질에 대해서도 추론할 수 있어야 한다.
물체가 떨어지고, 공이 날아가고, 풀이 자라고, 잔이 채워지기도 하고 비워지기도 하고, 초가 타고, 뜨거운 물체가 차가와진다. 물리학에서 이들은 미분 방정식으로 기술된다. 이러한 방정식을 AI에서도 사용할 수 있을 것이다. 그러나 우리는 물리학에서와 달리 정확한 해가 필요 없는 경우가 많다. 그래서 AI 학자들은 정확한 계산 없이 일반적인 경향을 추론할 수 있는 정성 물리학 (qualitative physics)을 발전시켰다 [Weld & de Kleer 1990].
물리적인 세계는 공간을 가지고 있다. 객체는 공간 내에 존재하며 다른 객체와의 상대적인 위치를 유지하고 있다. 그러므로 우리는 다른 사물의 안에, 위에 또는 옆에 있는 등의 위치 관계를 나타낼 수 있는 방법을 가지고 있어야 한다. 또 우리는 객체의 크기, 모양 등을 기술할 수도 있어야 한다."
형태, 크기, 상대적인 위치, 연관성 등등의 공간 지식을 표현하고 추론하는 것은 AI 연구의 핵심 과제 중 하나입니다. 물리과학에서 진화한 좌표계(Coordinate Frames) 중심의 정량적 기술은 형태를 고차원적으로 추상화(Abstraction)하는 데 한계가 있으며, 이러한 추상화의 문제를 푸는 것이 바로 Tutorial on the Representation of Spatial Knowledge (Amitabha Mukerjee)에서 다루는 AI의 핵심 이슈입니다.