.svg)
AI 솔루션 문의하기
집기·이동(Pick and Place) 작업은 물류, 제조, 자동화 시스템에서 가장 기본적이면서도 복잡한 작업입니다. 창고의 상자를 선반으로 옮기거나, 조립 라인에서 부품을 배치하거나, 포장 라인에서 물건을 분류하는 모든 작업이 집기·이동에 해당합니다. 로봇이 이러한 작업을 수행하려면 물체를 정확히 집을 수 있어야 합니다. 물체의 모양, 무게, 표면 특성에 따라 집는 방식이 달라집니다.
현재 산업용 로봇들도 집기·이동을 수행하지만, 대부분 프로그래밍된 고정 경로를 따릅니다. 다양한 물체와 상황에 유연하게 대응하려면 AI 기술이 필요합니다. AI 기반의 집기·이동 로봇을 개발하려면 다양한 물체, 환경, 그리퍼(로봇 손) 특성에서 수집된 대규모 학습 데이터가 필수적입니다. 집기·이동 작업의 데이터 구축은 물류 자동화와 제조업 현대화의 핵심 기초가 될 것으로 예상됩니다.
집기·이동 작업 데이터를 구축하려면 수많은 변수를 제어하고 기록해야 합니다. 다양한 물체 특성, 환경 조건, 그리퍼 유형의 조합으로부터 수집된 데이터는 로봇의 일반화 능력을 크게 향상시킬 것으로 기대됩니다.
집기·이동 작업은 단순하게 보이지만 여러 단계로 구성됩니다.
각 단계마다 성공 여부, 센서 데이터, 영상 데이터가 기록됩니다. 단계별 상세한 데이터 기록으로 로봇이 각 단계의 문제점을 학습하고 개선할 수 있을 것으로 예상됩니다.
집기·이동 작업에서 실패는 흔히 발생합니다. 물체를 집지 못하거나, 집은 물체를 떨어뜨리거나, 장애물과 충돌하는 경우입니다. 이러한 실패 사례도 중요한 학습 데이터입니다. 성공 사례만 학습하면 로봇이 실패 상황에 대응하지 못합니다. 따라서 성공 사례 70%, 실패 사례 30% 정도의 비율로 데이터를 구성합니다. 각 실패 사례에 대해 "실패 원인" 라벨을 붙입니다.
예를 들어 "표면이 미끄러워 집지 못함", "물체가 너무 가까워 충돌함", "그리퍼 강도 부족" 등입니다. 이렇게 실패 원인을 명시하면 로봇이 같은 실패를 반복하지 않도록 학습합니다. 또한 실패 사례에서 얻은 센서 신호의 이상 패턴을 분석하면, 미리 실패를 예측하고 방지할 수 있습니다. 실패 사례의 체계적 분석으로 로봇의 안정성과 신뢰도를 크게 높일 수 있을 것으로 기대됩니다.
그리퍼의 종류에 따라 같은 물체도 다르게 집힙니다. 병렬형 그리퍼(두 손가락으로 집는 방식)는 모서리가 있는 물체를 잘 집지만, 둥근 물체는 집기 어렵습니다. 반대로 흡착식 그리퍼는 평평한 표면은 잘 집지만, 다공성 물체(스펀지, 종이)는 집지 못합니다. 따라서 각 그리퍼 유형별로 다양한 물체에 대한 집기 성공률 데이터를 수집해야 합니다. 단순히 "물체 A는 집을 수 있다"는 정보뿐 아니라, "물체 A는 병렬형 그리퍼로는 85% 성공, 흡착식으로는 40% 성공"과 같은 세부 정보가 필요합니다.
이를 통해 로봇은 물체를 보고 가장 적절한 그리퍼를 선택할 수 있습니다. 또한 물체 특성(무게, 표면 마찰)과 그리퍼 설정(힘, 속도)의 관계를 학습하여 동적으로 그리퍼를 제어합니다. 그리퍼와 물체 특성의 상호작용 데이터로 로봇의 작업 유연성이 크게 향상될 것으로 예상됩니다.
집기·이동 작업 중에 로봇은 여러 센서로부터 신호를 받습니다. 힘 센서(그리퍼가 물체를 집을 때의 힘), 토크 센서(회전력), 카메라 이미지, 초음파 센서(거리) 등입니다. 이러한 센서 신호와 작업의 성공 여부 간의 관계를 분석하면, 미리 실패를 예측할 수 있습니다. 예를 들어 "힘 센서 신호가 목표값의 80% 이상이면 성공률 95%, 50% 이하면 성공률 20%"와 같은 패턴을 발견할 수 있습니다.
이러한 패턴을 학습하면 로봇이 작업 중 센서 신호를 모니터링하고, 실패가 예상될 때 미리 다시 시도하거나 다른 그리퍼를 선택할 수 있습니다. 센서 신호의 시계열 데이터도 중요합니다. "힘이 점진적으로 증가한 경우"와 "갑자기 증가한 경우"는 다른 의미를 가집니다. 센서 신호의 동적 패턴 분석으로 로봇의 작업 중 적응성이 크게 향상될 것으로 기대됩니다.
집기·이동 데이터를 대규모로 수집하려면 높은 비용이 듭니다. 실제 로봇 팔, 카메라, 물체들을 준비하고, 인력을 투입하여 수천 시간을 기록해야 합니다. 따라서 시뮬레이션을 활용하여 데이터를 부분적으로 생성합니다. 시뮬레이션에서는 다양한 물체(수백만 가지 크기와 모양 조합), 환경(조명 변화, 카메라 각도 변화)을 빠르게 생성할 수 있습니다. 다만 시뮬레이션 데이터와 실제 로봇 데이터 간에는 도메인 갭이 있습니다.
시뮬레이션에서 성공한 집기 방식이 실제 로봇에서는 실패할 수 있습니다. 이를 해결하기 위해 시뮬레이션 데이터와 실제 데이터를 함께 학습시키거나, 시뮬레이션 데이터에 노이즈를 추가하여 현실성을 높입니다. 시뮬레이션과 실제 데이터의 효율적 결합으로 대규모 학습 데이터를 경제적으로 구축할 수 있을 것으로 예상됩니다.
집기·이동 작업의 학습 데이터는 매우 비용이 많이 들기 때문에 공개 데이터셋의 가치가 높습니다. 이미 일부 연구 기관과 기업들이 대규모 집기·이동 데이터셋을 구축하여 공개하고 있습니다. 이러한 공개 데이터셋을 사용하면 새로운 연구팀도 빠르게 집기·이동 로봇을 개발할 수 있습니다. 다만 데이터셋의 표준이 다르면 서로 다른 데이터를 비교하고 통합하기 어렵습니다. 따라서 국제 표준화 기구(ISO/IEC)에서 집기·이동 데이터의 포맷, 라벨링 기준, 평가 지표를 표준화하려는 노력이 진행 중입니다. 표준화된 공개 데이터셋의 확대로 집기·이동 로봇 개발 분야의 진입 장벽이 낮아질 것으로 기대됩니다.
.svg)
.svg)
