산업용 로봇 공통 데이터셋 구축 전략, 데이터 제공자와 사용자 간 공정한 이해관계 있어야

산업용 로봇의 데이터 단편화와 통합의 필요성

산업 현장의 로봇은 매우 다양합니다. 팔 로봇, 이동형 로봇, 협동 로봇이 각각 다른 제조사에서 만들어집니다. 각 로봇은 고유한 제어 인터페이스, 센서 구성, 작업 범위를 가집니다. 이러한 다양성은 산업의 융통성을 높이지만, 학습 데이터 측면에서는 심각한 단편화를 야기합니다. 한 회사가 자신의 로봇으로 집기 작업 데이터 1000시간을 수집했어도, 다른 로봇의 제조사는 그 데이터를 직접 사용할 수 없습니다. 

‍

각 제조사가 독립적으로 데이터를 수집해야 하므로, 전체 산업의 데이터 수집 비용이 기하급수적으로 증가합니다. 또한 작은 회사의 경우 충분한 데이터를 수집할 능력이 부족하다면, 로봇 AI 기술 도입에서 어려움을 겪을 수 있습니다. 이러한 불균형을 해결하려면 산업 전체가 공유할 수 있는 공통 데이터셋이 필요합니다. 다양한 로봇 플랫폼을 아우르는 공통 데이터셋으로 산업 전체의 데이터 수집 비용을 획기적으로 절감할 수 있을 것으로 예상됩니다.

‍

공통 데이터셋 구축의 기술적 과제와 해결 전략

‍

• 로봇 이질성의 추상화 : 특정 로봇 모델에 종속되지 않는 추상화 레벨에서 데이터를 표현(절대 각도 대신 정규화된 관절 각도, 특정 그리퍼 종류 대신 접촉 힘)
• 센서 다양성의 표준화 : 서로 다른 센서 구성을 공통의 데이터 포맷으로 변환(깊이 카메라 영상을 점군으로, RGB 카메라 영상을 특징값으로)
• 작업 정의의 명확화 : "물체를 집는다"는 개념을 모든 로봇이 이해할 수 있는 방식으로 정의(물체의 위치, 접촉점, 필요한 힘을 포함하는 작업 메타정보)

‍

공통 데이터셋의 성패는 기술적 표준화에 달려 있습니다. 로봇의 이질성을 극복하는 추상화 레벨의 설계로 모든 로봇이 사용할 수 있는 공동 자산을 만들 수 있을 것으로 기대됩니다.

‍

도메인 적응과 로봇 모델 특화를 위한 두 단계 접근

공통 데이터셋만으로는 특정 로봇의 최적 성능을 보장할 수 없습니다. 각 로봇의 고유한 특성(그리퍼의 종류, 관절의 유연성, 센서의 정확도)을 반영하는 데이터도 필요합니다. 따라서 두 단계 접근이 필요합니다. 첫째, 공통 데이터셋으로 기초 능력을 학습합니다. 둘째, 로봇 특화 데이터로 미세 조정(fine-tuning)합니다. 

‍

공통 데이터셋은 대규모이고 다양하므로 일반적 원칙을 효과적으로 학습합니다. 로봇 특화 데이터는 상대적으로 작아도 되므로, 개별 로봇 제조사의 수집 부담이 크게 줄어듭니다. 또한 도메인 적응(domain adaptation) 기술을 사용하여, 공통 데이터셋의 지식을 새로운 로봇 모델에 자동으로 적용할 수 있습니다. 공통 데이터셋과 로봇 특화 데이터의 계층적 조합으로 모든 로봇이 강력한 기초 위에 자신의 고유성을 더할 수 있을 것으로 기대됩니다.

‍

개인정보와 기업 비밀 보호를 위한 데이터 비식별화

‍

공통 데이터셋에는 민감한 정보가 포함될 수 있습니다. 카메라 영상에는 작업장의 구조와 배치가 나타나는데, 이는 기업 비밀일 수 있습니다. 또한 작업 환경에 사람이 있으면 개인정보 보호 문제가 발생합니다. 따라서 데이터 비식별화(anonymization) 과정이 필수적입니다. 영상에서 민감한 배경을 흐릿하게 만들거나, 사람의 얼굴을 가리거나, 특정 제조 장비의 모양을 추상화합니다. 

‍

동시에 데이터의 학습 가치가 손상되지 않아야 합니다. 로봇이 학습해야 할 작업의 본질은 보존되면서 민감한 정보만 제거합니다. 또한 데이터 제공 기업이 자신의 데이터가 어떻게 비식별화되었는지 확인할 수 있는 투명성도 필요합니다. 민감한 정보 보호와 학습 가치의 균형을 맞춘 비식별화로 기업들이 안심하고 데이터를 제공할 수 있을 것으로 기대됩니다.

‍

데이터셋의 버전 관리와 지속적 개선

공통 데이터셋은 한 번 만들어지고 끝나는 것이 아니라, 지속적으로 진화해야 합니다. 새로운 로봇 모델이 나오면 그에 맞는 데이터를 추가해야 하고, 새로운 작업이 산업에 도입되면 그 작업의 데이터를 수집해야 합니다. 또한 사용자들로부터 피드백을 받아 데이터셋을 개선합니다. 버전 관리 시스템을 도입하여, 어떤 버전의 데이터셋이 어떤 로봇과 작업에 최적인지를 기록합니다. 

‍

데이터셋 사용자들이 특정 버전을 선택할 때, 그것이 자신의 용도에 적합한지 판단할 수 있도록 메타정보를 제공합니다. 체계적인 버전 관리와 지속적 개선으로 공통 데이터셋이 산업의 변화에 발맞춰 진화할 수 있을 것으로 예상됩니다.

‍

공개 데이터셋과 상용 데이터셋의 이중 구조

모든 데이터를 완전히 공개할 수는 없습니다. 민감한 기업 정보나 고도의 기술을 담은 데이터는 보호되어야 합니다. 따라서 공개 데이터셋과 상용 데이터셋의 이중 구조를 고려할 수 있습니다. 공개 데이터셋은 기초 연구와 비상업적 사용을 위해 누구나 접근할 수 있습니다. 상용 데이터셋은 기업의 실제 운영 데이터로, 라이선스 계약을 통해서만 접근할 수 있습니다. 

‍

이러한 구조는 학계의 연구를 촉진하면서도 기업의 이익을 보호합니다. 또한 공개 데이터셋에서 발견한 문제점이나 개선 방향이 상용 데이터셋에도 반영될 수 있어서, 전체 생태계의 품질이 향상됩니다. 공개와 상용의 균형잡힌 이중 구조로 산업용 로봇 데이터셋의 다양한 용도를 모두 충족시킬 수 있을 것으로 기대됩니다.

‍

‍