.svg)
AI 솔루션 문의하기
공장의 부품은 형태가 고정되어 있지만 작물은 씨앗에서 수확기에 이르기까지 크기와 색상 그리고 형태가 끊임없이 변화합니다. 하나의 성장 단계만을 기준으로 시뮬레이션 데이터를 구성하면 로봇은 그 단계의 작물만 인식하도록 학습되어 다른 성장 단계의 작물 앞에서는 판단력을 잃을 수 있습니다. 씨앗부터 수확기까지 여러 성장 단계를 폭넓게 아우르는 가상 모델을 구축하고 각 단계의 라벨을 정확히 구분해 부여하는 작업이 이 데이터의 기초를 이룹니다. 같은 성장 단계 안에서도 개체별 편차가 크게 나타날 수 있어 이 편차 역시 함께 반영해야 합니다.
실제 밭이나 온실에서 열매는 잎사귀나 줄기에 부분적으로 가려진 채로 존재하는 경우가 대부분이며 완전히 노출된 상태로 열매를 마주하는 상황은 오히려 드뭅니다. 가려짐이 없는 이상적인 형태로만 시뮬레이션 데이터를 채우면 로봇은 실제 밭에서 마주치는 가려진 열매를 인식하지 못하는 문제를 반복하게 됩니다. 다양한 각도와 비율로 잎에 가려진 열매의 모습을 의도적으로 시뮬레이션에 포함시켜야 합니다. 바람에 잎이 흔들리며 가려짐의 정도가 순간마다 달라지는 상황도 함께 고려할 만합니다.
로봇이 과일이나 채소를 붙잡을 때 그 힘의 세기에 따라 표면이 눌리거나 손상되는 정도가 달라지며 이런 반응은 딱딱한 금속 부품에서는 나타나지 않는 농산물 특유의 성질입니다. 딱딱한 물체를 전제로 만들어진 물리 엔진을 그대로 사용하면 시뮬레이션 속 작물은 실제 과육이 보이는 눌림이나 변형을 전혀 재현하지 못한 채 로봇에게 잘못된 감각을 학습시킬 위험이 있습니다. 무른 재질의 변형을 재현하는 별도의 물리 모델을 적용해야 실제 파지력 조절 능력을 제대로 훈련시킬 수 있습니다. 따라서 과일의 익은 정도에 따라서도 물러지는 속도와 정도가 달라져 이 변수도 함께 반영되어야 합니다.
실외 농업 환경은 시간대와 날씨에 따라 조명 조건이 끊임없이 바뀌며 구름이 지나가는 순간에도 그림자의 위치와 밝기가 즉각적으로 달라집니다. 하나의 고정된 조명 조건으로만 시뮬레이션을 구성하면 맑은 날 정오의 데이터만 익힌 로봇이 흐린 날이나 새벽 시간대의 밭에서는 인식 성능이 크게 떨어지는 결과로 이어집니다. 여러 시간대와 기상 조건을 반영한 조명 시나리오를 폭넓게 생성해 이런 변화에 대응할 수 있도록 해야 합니다.
공장 바닥은 평탄하게 유지되지만 농지의 지면은 이랑과 고랑이 반복되고 비가 온 뒤에는 진흙이 고이는 등 지형 자체가 예측하기 어렵게 변합니다. 평탄한 지면을 전제로 만든 이동 시뮬레이션으로 학습된 로봇은 실제 농지의 울퉁불퉁한 지형에서 균형을 잃거나 예상치 못한 방향으로 미끄러지는 상황을 겪을 수 있습니다. 다양한 지형 기복과 표면 상태를 시뮬레이션에 반영해 이동 안정성을 함께 훈련시켜야 하며, 계절에 따라 흙의 수분 함량이 달라지면 지면의 미끄러움도 함께 변한다는 점을 고려해야 합니다.
병충해에 걸린 작물은 반점이나 변색 그리고 잎이 말리는 것처럼 특유의 시각적 흔적을 남기며 이런 흔적을 가상 환경에서 다양하게 재현해 두면 실제 병충해 조기 발견에 활용할 데이터를 미리 확보할 수 있습니다. 실제 병충해 사례는 발생 시점과 장소가 예측하기 어려워 현장에서 충분한 양의 데이터를 모으기까지 오랜 시간이 걸리는 경우가 많습니다. 다양한 병충해 유형의 시각적 특징을 시뮬레이션으로 미리 만들어두면 이런 시간적 제약을 상당 부분 보완할 수 있습니다.
같은 작물이라도 품종에 따라 크기와 색상 그리고 열매가 달리는 방식이 다르며 한 품종을 기준으로 만든 시뮬레이션 데이터는 다른 품종에서는 정확도가 떨어질 수 있습니다. 특정 품종에만 최적화된 모델을 여러 품종이 함께 재배되는 농가에 그대로 적용하면 품종에 따라 인식 성능이 들쭉날쭉해지는 결과가 나타날 수 있습니다. 주요하게 재배되는 여러 품종의 형태적 특징을 시뮬레이션 단계에서부터 함께 반영해야 합니다. 교배종처럼 두 품종의 특징이 섞인 경우는 별도의 참고 자료로 관리하는 편이 안전합니다.
같은 품종이라도 그해의 기온과 일조량에 따라 열매의 크기나 색이 달라질 수 있어 특정 해의 데이터만으로 시뮬레이션을 구성하면 다른 해의 작황과는 어긋나는 기준이 만들어질 수 있습니다. 여러 해에 걸친 생육 편차를 반영하지 않으면 유난히 풍작이거나 흉작이었던 해의 특징이 마치 표준적인 기준처럼 학습에 반영되는 왜곡이 생길 수 있습니다. 여러 해의 생육 데이터를 폭넓게 참고해 시뮬레이션의 기준값을 설정하는 편이 안전합니다.
공산품과 달리 생물을 다루는 농업 시뮬레이션은 개체마다 나타나는 미세한 차이의 폭이 훨씬 넓어 가상과 실제 사이의 간극이 다른 산업보다 크게 벌어지는 경향이 있습니다. 이런 근본적인 차이를 인정하지 않은 채 공산품 제조 분야의 시뮬레이션 기준을 그대로 가져오면 실제 현장 적용 단계에서 예상보다 큰 성능 저하를 마주하게 될 수 있습니다. 시뮬레이션 데이터와 함께 실제 현장에서 수집한 데이터를 상당한 비중으로 섞어 학습하는 보완적 접근이 필요합니다.
여러 작업자가 나누어 시뮬레이션 장면에 라벨을 붙이면 열매의 성숙도나 병충해의 심각도를 판단하는 기준이 사람마다 조금씩 달라질 수 있습니다. 이런 판단 기준의 편차를 방치하면 같은 상태의 작물이 라벨러에 따라 다르게 분류되어 학습데이터 전체의 일관성이 흔들리게 됩니다. 표본을 뽑아 라벨러 간의 판단을 주기적으로 비교하고 기준을 맞추어가는 절차를 함께 운영해야 합니다.
.svg)
.svg)
