배달로봇

배달로봇(Delivery Robot)은 창고에서 고객의 문 앞까지 음식, 식료품 또는 모든 소포를 배달하는 데 사용되는 서비스 로봇의 일종이다. 배송로봇이라고도 한다. 시간과 비용을 최소화하는 등 높은 효율성을 가졌다.

[타고] 1개월 단위로 전기차가 필요할 때! 타고 월렌트 서비스

개요

배달로봇은 고객에게 물품을 배달할 수 있는 능력과 기술을 갖춘 로봇을 말한다. 배달로봇을 이용하면 단거리 배달 시 획기적으로 비용을 낮출 수 있고, 배달원 부족 문제 등을 해결할 수 있는 장점이 있다. 전 세계에서 배송로봇의 시장 규모가 커짐에 따라, 대한민국에서도 관련 2022년부터 정부가 5년간 사람과 로봇이 모두 주소를 인식할 수 있도록 주소 정보 인프라를 확충하는 등 자율주행 배송 산업 생태계를 구축하기로 결정했다. 이를 통해 배달로봇 시장이 더욱 성장할 것으로 예측된다. 또한 2023년 11월 17일부터 개정된 '지능형 로봇 개발 및 보급 촉진법'이 시행되면서 실외 배달로봇을 이용한 배달 및 순찰이 가능해졌다. 배달로봇의 무게는 500kg 이하, 폭은 80cm 이하로 제한되고, 이동 속도도 무게에 따라서 시속 5~15km 이하로 정해진다. 이 로봇을 활용해서 사업을 하기 위해서는 지정된 인증 기관에서 운행 안전 인증을 받아야 한다. 운행 구역 준수, 횡단보도 통행, 원격 조작 등 16가지 항목의 평가를 거쳐 운행 안전 인증을 하고, 의무적으로 보험을 가입해야 한다. 또한 로봇도 사람과 마찬가지로 도로교통법을 준수해야 하는데, 로봇이 무단횡단을 하는 등 도로교통법을 어기면 이를 운용하는 사업자에게 안전 운용 의무 위반으로 범칙금이 부과될 수 있다. 2026년 전 세계 배달로봇 시장 규모는 2021년의 4배를 넘어설 것으로 전망된다. 2021년 4월 마켓스앤마켓스의 발표에 따르면 2021년 2,517억 원이던 시장 규모가 2026년 1조 1,360억 원에 달할 것으로 예측된다.

성장배경

배송로봇은 세계 최대의 전자상거래 기업인 아마존(Amazon)에 의해 시장에서 큰 주목을 받기 시작했다. 아마존은 2012년에 물류이송로봇 스타트업인 키바(Kiva Robotics)를 인수하여 자사의 대형 물류창고에 누적 4.5만 대가량의 물류 이송로봇을 적용하여 비용의 약 80%를 절감하고, 물류 처리시간도 90분에서 15분으로 단축했다. 이러한 아마존의 사례는 유사한 물류이송로봇이 물류창고 외에 공장이나 병원 등의 다른 시설에 적용되어도 마찬가지로 저비용과 고효율을 달성할 수 있을 것이라는 시장의 기대를 갖게 했다. 또한 아마존은 2013년에 프라임 에어(Prime Air)라는 드론을 이용한 배송 서비스의 콘셉트를 발표하여 대중과 학계에 큰 반향을 일으켰다. 이로부터 약 3년이 지난 2016년 12월, 아마존은 이를 실제 구현하여 구매 13분 만에 미국 캘리포니아 지역에 구매한 물품이 드론을 통해 배송되는 데모를 보였다. 프라임 에어의 발표 이후 드론뿐만 아니라 보다 현실적인 모바일 로봇(Mobile robot)과 장거리 배송에 적합한 자율차(Autonomous car)를 이용한 다양한 형태의 배송로봇의 콘셉트와 데모들이 줄을 이었다.

구분

물류로봇

물류로봇은 창고나 공장에서 물건을 옮기는 작업을 수행하는 로봇이다. 물류로봇의 기능은 로봇이 직접 이동하며 물건을 원하는 위치까지 이송하는 주행(Navigation) 기술과 로봇팔을 통해 물건을 집어 적재나 집하, 분류, 포장을 하는 조작(Manipulation) 기술로 구분할 수 있다. 현재 시장에 나온 물류로봇은 두 가지 기능 중 하나에 집중하거나 두 가지를 모두 수행한다. 물류의 기능은 크게 운송·배송과 물류센터 내 하역(물건 반·출입, 적재 등)과 보관, 포장, 유통 가공으로 나뉘며, 현장에서 이루어지는 주요 작업으로 물건 검품과 피킹, 이동, 분류, 포장, 하역, 그리고 배송을 꼽을 수 있다. 최근에는 이동 로봇에 로봇 팔(Arm)을 부착한 매니퓰레이션 기능과 SLAM 등 로봇 자율주행 기술, 인공지능(AI)을 활용한 비전 인식 기술의 발전으로, 물품 분류와 포장, 상하차, 피킹 업무까지 로봇의 업무 영역이 확장되었으며, 라스트 마일 배송에도 로봇 활용이 시도되고 있다. 개별적으로 로봇을 활용하는 방법 외에 물류 창고를 통째로 자동화해 효율성과 신속성을 극대화한 큐브형 창고 시스템도 많은 주목을 받고 있다. 물류로봇 도입 시 기대 효과는 인력 부족 해소와 운영 효율성 증대, 물류 공간 효율화, 작업자의 신체적 부담 경감, 비용 절감 등 다양하다.

배송로봇도 물류로봇과 유사하게 주어진 물건을 원하는 장소까지 옮기는 미션을 수행하는 로봇이다. 물류로봇이 창고나 공장과 같이 한 장소(건물) 내에서 물건의 옮기는 것과 달리, 배송로봇은 건물을 벗어나 원거리의 다른 건물까지 물건을 옮기는 실외 주행을 포함하는 것이 큰 차이점이다. 따라서 식당에서 음식을 서빙하거나 병원에 의료 폐기물을 이송하는 로봇의 경우 기술적으로는 물류로봇으로 구분할 수 있다. 물건을 옮기는 작업에 대해 장소와 역할에 따라 물류 또는 배송이라는 의미가 부여된 것이기 때문에 넓은 의미에서 물류로봇과 배송로봇은 같은 의미로 사용되기도 한다. 물류로봇에 대해 자세히 보기

운반로봇

운반로봇은 이동 기능을 갖추어 사람 대신 물건을 운반하는 일을 수행하는 로봇이다. 예를 들어 창고에서 쓰이는 운반로봇은 진열과 집품 과정에서 사용된다. 선반이 작업자 위치로 와서 상품을 전달하는 방식인 GTP(Goods to Person)가 적용되어 작업자가 걷지 않고 물건을 받을 수 있어 편리하다. 대부분의 운반로봇은 무인육상이동체(UGV)의 하나인 무인운반차(AGV, Automated Guided Vehicle) 또는 자율주행 로봇(AMR, Autonomous Mobile Robot)을 기반으로 한다. 관련 업계에 따르면 물류 자동화 분야에서 AGV와 AMR의 비율은 2026년 약 15%에 이를 것으로 전망된다. AGV와 AMR이 각종 설비와 솔루션으로 구성되는 물류 자동화 시장 내에서 가장 큰 분야가 된다는 것이다. 운반로봇에 대해 자세히 보기

수확로봇

수확로봇은 사람의 도움 없이 과일 및 채소와 같은 작물을 스스로 수확하는 인공지능 로봇이다. 센서와 카메라를 사용하여 작물을 수확해야 하는 시기를 감지한 후 로봇 팔이나 기타 다른 도구를 사용하여 농산물을 손상시키지 않고 조심스럽게 수확한다. 수확로봇은 작물의 위치와 형태를 인식하는 인공지능 기술로 정확한 작물의 위치를 인식할 수 있다. 국내에서 개발한 수확로봇의 경우, 인식한 작물을 특수 제작한 수확용 로봇손을 이용해 수확한다. 수확한 작물은 수확로봇에 임시로 담아 뒀다가, 박스가 어느 정도 차면 이송로봇을 불러 작물을 전달하는 식으로 운용된다. 국내 연구팀은 작물 인식률 90% 이상, 24시간 동작을 가정해 사람의 80% 효율로 작물 수확이 가능하도록 개발하는 데에 성공했다. 수확로봇은 그 특성에 맞게 작업을 수행하기 가장 적합한 환경인 온실이나 비닐하우스에서 주로 사용된다. 재배 환경을 기준으로 비교했을 때 시설원예 71.5%, 과수원 19%, 노지환경 9.5%로 시설원예에서 재배하는 작물의 수확로봇이 가장 많았다. 또한 작물을 기준으로 비교했을 때 토마토 수확로봇, 딸기 수확로봇 19%(4개, Horticulture), 파프리카 수확로봇 14%(3개, Orchard)로 토마토, 딸기, 파프리카를 대상으로 한 수확로봇이 많았다. 수확로봇에 대해 자세히 보기

관련 기술

위치추정 기술

로봇의 현재 위치와 방향각을 추정하는 연구는 모바일 로봇 분야에서 가장 중요한 연구 주제 중 하나이다. 전역위치추정 기술은 공간의 인공표식을 이용하는 방법과 자연표식을 이용하는 방법으로 구분할 수 있다. 2차원 바코드나 반사마커(Reflective marker), UWB나 WiFi AP와 같은 라디오 비콘(Radio beacon)은 인공표식의 예이고, 아마존로보틱스와 하이크비전(Hikvision)의 물류로봇이 인공표식을 이용한다. 자연표식을 이용하는 방법은 추가적인 인공표식의 설치 없이 공간의 모양이나 내재된 특징을 이용하는 방법이다. 미국 아이톤(Aethon)의 TUG와 유진로봇의 고카트(GoCart)는 자연표식을 이용한다. 자연표식을 이용하는 방법은 환경으로부터 많은 정보를 얻을수록 위치추정에 유리하기 때문에 라이다(LiDAR)나 카메라와 같이 대용량 데이터를 제공하는 센서를 사용하는 것이 일반적이고, 학계의 연구는 대부분이 자연표식을 이용하는 연구에 집중되어 있다. 현장에서는 조명 등의 환경 변화에 민감한 카메라를 이용하는 방법보다 라이다를 이용하는 방법이 선호되고, 입자필터(Particle filter)를 사용하는 MCL이나 그래프최적화(Graph optimization)가 널리 사용된다. 구글의 카타그러퍼(Cartographer)는 라이다 데이터와 그래프최적화를 이용한 위치추정과 지도작성이 가능한 오픈소스 프로젝트이다.

실외 모바일로봇의 경우 인공표식으로써 위성을 사용하는 GNSS가 가장 기본적이고 널리 사용되는 위치추정 방법이다. 미국의 GPS, 러시아의 GLONASS, 유럽연합의 갈릴레오(Galileo)는 GNSS의 각 국가별 구현인데, 일반적으로 GNSS라는 기술용어보다 GPS가 더 널리 사용된다. GPS는 단독으로 사용되는 경우는 드물고, IMU와 융합하여 사용하는 것이 일반적이다. GPS와 IMU의 융합은 로봇 분야뿐만 아니라 제어계측, 항공, 선박 등의 분야에서 오래전부터 많은 연구가 이뤄졌다. 또 실외 모바일로봇이나 자동차와 같이 로봇이 이동 가능한 지도가 미리 주어진 경우, 현재 추정된 위치와 지도의 정보를 매칭하여 위치를 보정하는 기술도 널리 알려져 있다. GPS는 높은 건물들이 밀집된 도심이나 터널 등에서 정확도 급격히 떨어지거나 위치추정이 불가능한 단점이 있고, 이를 다른 센서를 통해 보완하는 연구들이 많이 이뤄지고 있다. 그리고 최근 딥러닝을 이용한 학습기반의 기술들이 학계에서 많이 시도되고 있다. 포즈넷(PoseNet)과 NetVLAD는 딥러닝을 이용한 장소인식 기술의 예이다. NetVLAD는 계절, 날씨, 시간 변화를 극복할 수 있는 연구를 목표로 하고 있고, 이러한 변화를 포함하고 있는 Pitts250k 데이터셋에서 25m 오차범위 내의 top-1 기준으로 81.0%의 인식률(recall)을 달성했다.

물체/환경 인지 기술

물체의 종류와 형태, 그리고 로봇이 이동 가능한 영역을 인식하는 것은 배송로봇의 자율주행과 물체 조작에 매우 중요한 기능이다. 자율주행 중 경로상의 물체, 즉 장애물을 인지하는 기능은 라이다나 깊이카메라를 통해 쉽게 구현 가능하다. 또한 일반 카메라와 영상기반 물체인식을 통해 이를 대체할 수 있는데, 이를 위해서는 정확하고 실시간으로 동작하는 영상기반 물체인식 기술이 필요하다. 딥러닝을 이용한 물체인식 기술은 기존 기술들에 비해 높은 인식 성능을 보이고 있고, YOLO(You Only Look Once)나 SSD(Single Shot MultiBox Detector)와 같은 기술은 딥러닝 기술에 문제가 되었던 실시간 동작 문제도 해결했다. 스타십이나 아마존의 스카우트와 같은 배송로봇도 유사한 딥러닝 기술이 적용되었을 것으로 예측된다. 로봇팔을 이용한 물체의 조작을 위해서는 물체를 인지하는 것뿐만 아니라 물체의 3차원 형태도 알아야 한다. 이를 위해서는 일반 카메라보다는 깊이(Depth) 데이터도 동시에 획득할 수 있는 RGB-D 카메라를 이용하는 것이 일반적이고, 관련하여 포인트 클라우드 라이브러리(PCL)이나 모벨트(MoveIt)와 같은 오픈소스 프로젝트가 활발히 진행되고 있다. 물체 또는 장애물을 인지하는 것 외에 실외에서 이동하는 배송로봇은 보도와 같이 로봇이 주행 가능한 영역을 인지하는 것도 필요하다. LiDAR를 이용해 연석을 검출할 수 있지만 도로와 보도의 경계가 불분명하지 않은 경우 실패할 수 있다. 따라서 라이다의 거리 감지 데이터 외에 영상 데이터를 활용할 수 있다. 딥러닝 접근을 이용한 세그넷(SegNet)은 CNN으로 영상을 인코딩하고 영상 내 영역의 의미(semantic)를 디코딩하는 네트워크 구조를 통해 영상 내 지면과 나무, 표지판과 같은 지물과 사람, 자동차 등과 같은 물체를 구분할 수 있는 의미적 영상분할(Semantic segmentation) 기술이다. 또 Mask R-CNN은 기존 물체 인식과 의미적 영상분할 기술이 합쳐진 것으로 개별 물체를 인지하는 것과 영역을 분할하는 기능이 동시에 가능하지만 현재 실시간으로 동작하지는 않는다.

운용 사례

국내

우아한형제들

배달의민족을 운영하는 우아한형제들은 서울 삼성동 무역센터와 강남 테헤란로 일대에서 베달로봇 딜리를 이용한 서빙·배달 서비스를 시범적으로 선보였다. 앞서 우아한형제들은 서울시와 강남구 등 지자체와 무역센터를 관리하는 WTC서울, 엘지전자, LX한국국토정보공사와 컨소시엄을 구성하고 2022년 2월 실증 사업에 지원했다. 해당 지원 사업에 선정됨에 따라 서울 무역센터와 테헤란로 일대에서 서빙로봇, 배달로봇 등을 통한 다양한 형태의 로봇 배달 서비스를 단계적으로 구현했다. 2022년 10월에는 삼성동 트레이드타워에서 오피스 근무자를 대상으로 실내 D2D(Door to Door) 로봇 배달 서비스를 실시했다. 건물 오피스에서 배민 앱을 통해 코엑스몰 내 식음료 매장 음식을 주문하면 실내 배달로봇 딜리 타워가 배달하는 방식으로, 딜리 타워는 출입문, 엘리베이터 등과 연동돼 사람의 도움없이 자유롭게 이동하며 배달서비스를 제공한다. 딜리의 6개 바퀴에는 독립 서스펜션을 장착해 비포장도로나 연석 같은 울퉁불퉁한 표면을 지날 때도 속도는 유지하면서 음식이 쏟아지거나 망가지지 않도록 했고, 또 앞뒤 바퀴가 독립적으로 움직일 수 있게 설계해 고속 주행 시 안정적으로 이동할 수 있다. 엘리베이터나 아파트 복도 등 좁은 공간에서도 방향 전환이 쉽도록 했으며, 먼지나 비도 견딜 수 있는 IP54 방수·방진 등급을 획득해, 계절의 변화가 뚜렷한 한국의 기후 환경에서도 안정적인 서비스가 가능하도록 했다. 딜리는 최대 30kg 무게의 물건들을 적재할 수 있으며, 적재함 부피는 25.6l로 2l 생수병 6개를 한 번에 담을 수 있다. 또 기존 충전 방식과 달리 배터리 교체 방식을 채택해 운영 시간 중 방전될 경우에도 빠르게 서비스에 재투입할 수 있는 장점이 있다.

뉴빌리티

자율주행로봇 개발 기업인 뉴빌리티는 2021년부터 2022년까지 세븐일레븐 편의점과 함께 서울 서초구 방배1동 전역과 방배 3·4동 일부 지역에서 뉴비를 통한 로봇 배달 실증 서비스를 진행했다. 2023년부터는 건국대 캠퍼스까지 서비스 범위를 확장하여 인근 식음료 매장 14곳에서 음식을 시킬 수 있게 되었으며, 커피, 샌드위치, 샐러드 등 음료와 간편식은 물론 떡볶이, 마라탕, 돈까스 같은 식사류도 주문할 수 있다. 이어서 강남 테헤란로를 중심으로 로봇 배달 서비스를 제공하기도 했는데, 고객이 주문 배달 플랫폼 뉴비오더를 통해 음식을 주문하면 뉴비고 운영 시스템을 거쳐 자율주행 로봇 뉴비가 고객이 주문한 건물 앞으로 제품을 배달한다. 뉴비는 복잡한 도심환경에 최적화된 카메라 기반 자율주행 로봇으로, 피처맵(feature map) 기술을 기반으로 한 위치 인식 기능과 정적·동적 장애물을 인지하고 판단하는 능력, 최적경로가 가로막혔을 때 국지경로를 탐색하는 경로 설계 기능, 최대 20도의 경사로를 극복할 수 있는 기술 등을 통해 배달 서비스를 제공한다.

해결 과제

배달로봇이 상용화에 성공하기 위해선 풀어야 할 과제들이 존재한다. 이동 중 수집하는 데이터의 개인정보침해 가능성, 비싼 개발비, 배달 기사의 일자리 침범 등은 향후 갈등 요소가 될 가능성이 있다. 그 중 업계의 가장 큰 현안은 운행안전인증과 실외이동로봇 책임보험이다. 지능형로봇법 개정안은 실외이동로봇의 최대 무게와 속도 등 16가지 항목을 바탕으로 운행안전인증 심사기준을 두고 있어서, 이 기준을 통과해야만 실제 로봇 운행이 가능하다. 실외이동로봇은 운행 중 발생할 수 있는 물적·인적 손해에 대한 책임을 묻고 피해를 보상하기 위해 보험·공제에도 의무로 가입해야 한다. 관련 업계에서는 두 가지 모두 법률 주체와 업계가 지속해서 논의해야 할 사안이라고 강조한다. 운행안전인증 심사기준이 마련됐지만 업체마다 다른 규격으로 배달로봇을 제작해 온 데다, 심사 기준이 현실에 부합하느냐의 문제는 개정안 시행 이후에도 정부와 산업계가 지속적으로 논의해야 할 부분이다. 보험의 경우에도, 사람과 로봇 사이 사고가 발생했을 경우 로봇의 책임을 지나치게 크게 보는 측면이 있다. 배달로봇으로 인한 실제 사고 위험률을 산정할 수 없는 탓이다. 이륜차보다 사고 가능성이 훨씬 낮은 것에 비해 보험료도 비슷하거나 더 높은 수준이다. 이 역시 관련 데이터가 축적되면서 보험료를 재조정해 나가야 한다.

참고자료

• 최성록 연구원 외 9인, 〈제4차 산업혁명 시대의 물류/배송로봇의 동향 및 시사점〉, 《한국전자통신연구원》, 2019-08
• 설재휘, 이세창, 손형일, 〈과채류 수확을 위한 로봇 엔드이펙터 리뷰 - A Review of End-effector for Fruit and Vegetable Harvesting Robot〉, 《로봇학회 논문지 제15권 제2호》, 2020-06
• 진석용 연구원, 〈물류 산업을 바꾸는 운반 로봇 ‘AGV·AMR’ (테크트렌드)〉, 《한경비즈니스》, 2022-03-25
• 양승윤, 〈NEW ERA 로봇과 공존하는 세상 - ROBOTICS〉, 《유진리선치센터》, 2022-06-07
• 윤컴즈 블로그, 〈도심에 등장한 '자율주행 배달로봇'〉, 《네이버 블로그》, 2022-06-13
• 이유진 기자, 〈스스로 수확하고 운반···'로봇농부' 나왔다〉, 《헬로디디》, 2023-03-09
• 우재혁, 〈글로벌 로보틱스 (비중확대/Initiate) - '현실'의 로봇에 투자하라!〉, 《미래에셋증권》, 2022-11-08
• 오지은 기자, 〈(르포) 로봇이 상품 모아 작업자 위치로 찾아온다…쿠팡 물류혁신 현장〉, 《연합뉴스》, 2023-02-07
• 정책주간지 K-공감, 〈배달로봇 ‘뉴비’, 11월부터 인도 통행 가능〉, 《네이버 블로그》, 2023-09-14
• 윤컴즈 블로그, 〈거리에 배달로봇이 달린다! 인도 다니는 '실외이동로봇'〉, 《네이버 블로그》, 2023-11-30

같이 보기

• 물류로봇
• 운반로봇

이 배달로봇 문서는 인공지능 서비스에 관한 글로서 검토가 필요합니다. 위키 문서는 누구든지 자유롭게 편집할 수 있습니다. [편집]을 눌러 문서 내용을 검토·수정해 주세요.

인공지능 : 인공지능 서비스 □■⊕, 인공지능 로봇, 인공지능 기술, 인공지능 기업, 인공지능 인물 거대언어모델(LLM) 그록 • 네모 • 라마 • 믹스트랄 • 믿음 • 바드 • 아야23 • 엑사원 • 인플렉션 2.5 • 제미나이 • 챗GPT • 클로드 • 파이-3.5 • 하이퍼클로바X 챗봇 라온 • 브리티 코파일럿 • 숍봇 • 시리 • 심심이 • 아숙업(AskUp) • 알로 • 알리GPT • 애플 인텔리전스 • 오토GPT • 이루다 • 챗뤼튼 • 챗베이스 • 클로바X • 키미챗 • 테이 • 패브릭스 • 픽스트랄 • 허깅챗 인공지능 검색 빙 • 서치GPT • 옴니서치 • 퍼플렉시티 인공지능 문서 감마 • 구글 번역기 • 노션AI • 다글로 • 딥엘(DeepL) • 뤼튼 • 비토 • 스위치미팅 • 에버노트 • 캔바 • 클로바노트 • 클로바더빙 • 파파고 인공지능 코딩 깃허브 코파일럿 • 데빈 • 커서AI • 코디움 • 코디움메이트 • 탭나인 인공지능 이미지 AI 모션 • AI 프로필 • NUI 스튜디오 • 달리(DALL·E) • 드림스튜디오 • 레오나르도 AI • 미드저니 • 비디스커버 • 스테이블 디퓨전 • 카카오브레인 • 칼로 • 코파일럿 • 파이어플라이 • 플레이그라운드 인공지능 웹툰 딥툰 • 로어머신 인공지능 음악 및 음성 AI 보이스 스튜디오 • 뮤직LM • 복스박스 • 사운드풀 • 수노 • 에이바 • 유디오 • 이봄 • 일레븐랩스 • 타입캐스트 인공지능 동영상 더 프로스트 • 드림머신 • 디-아이디 • 런웨이 젠3 • 브루 • 브이 • 소라 • 스테이블 비디오 디퓨전 • 인비디오 AI • 젠 • 카이버 AI • 크레아 AI • 클링 AI • 피카아트 • 픽스버스 • 픽토리 인공지능 스피커(한국) 갤럭시홈미니 • 기가지니 • 기가지니2 • 누구 • 누구네모 • 엑스붐AI씽큐 • 카카오아이 • 카카오미니 • 큐보이스 • 클로바 • 클로바웨이브 인공지능 스피커(글로벌) 구글홈 • 구글홈미니 • 구글홈허브 • 두어 • 빅스비 • 샤오두 • 스마트스피커 • 알렉사 • 어시스턴트 • 에코 • 에코닷 • 에코쇼 • 코타나 • 티몰지니 • 홈팟 위키 : 자동차, 교통, 지역, 지도, 산업, 기업, 단체, 업무, 생활, 쇼핑, 블록체인, 암호화폐, 인공지능, 개발, 인물, 행사, 일반