.svg)
AI 솔루션 문의하기
물류 현장에서 활용되는 로봇은 다양한 형태와 크기의 물건을 인식하고 집어 올리며 정해진 위치로 옮기는 작업을 수행해야 하지만 이런 판단 능력은 저절로 갖춰지지 않고 방대한 양의 학습 데이터를 통해 형성됩니다. 로봇이 촬영한 영상이나 이미지 안에서 어떤 물체가 어디에 있고 어떻게 잡아야 하는가를 사람이 미리 표시해 두는 라벨링 작업이 있어야만 로봇은 실제 현장에서 마주치는 다양한 상황을 스스로 판단할 수 있게 됩니다.
물류 현장은 매일 새로운 형태의 상자와 포장재가 들어오고 진열 방식도 계속 바뀌므로 한 번의 라벨링으로 모든 상황에 대응하기는 어렵습니다. 지속적으로 새로운 데이터를 수집하고 라벨을 붙이는 과정이 반복되어야 로봇의 작업 능력이 실제 현장의 변화를 따라갈 수 있습니다.
물류로봇이 수행하는 작업은 크게 물건을 집어 올리는 피킹과 종류별로 나누는 분류 그리고 정해진 장소로 옮기는 운반으로 나눌 수 있으며 각 작업마다 라벨링해야 하는 정보의 성격이 다릅니다. 피킹 작업에서는 물체의 정확한 경계와 잡을 수 있는 지점이 중요한 라벨링 대상이 되고 분류 작업에서는 물체의 종류와 목적지가 중심적인 정보가 됩니다. 운반 작업에서는 로봇이 이동해야 할 경로와 장애물의 위치가 라벨링의 중심이 됩니다.
이렇게 작업의 성격에 따라 라벨링의 초점이 달라지므로 하나의 표준화된 방식만으로는 모든 물류 작업을 아우르기 어렵습니다. 각 작업 유형에 맞춘 세분화된 라벨링 기준을 마련하는 것이 정확한 데이터 구축의 출발점이 됩니다.
물류로봇을 위한 작업 데이터 라벨링은 다음과 같은 단계로 구축됩니다.
이러한 절차를 거치면 물류로봇이 실제 현장에서 요구되는 다양한 판단을 학습할 수 있는 데이터가 완성됩니다.
로봇이 물건을 집어 올리는 피킹 작업을 위한 라벨링은 물체의 전체적인 형태를 표시하는 것을 넘어 로봇의 손이 실제로 접촉해야 하는 지점까지 세밀하게 지정해야 하므로 다른 작업보다 정교한 접근이 요구됩니다. 같은 상자라도 어느 면이 위를 향하고 있는가에 따라 안전하게 잡을 수 있는 지점이 달라지므로 이런 미묘한 차이까지 반영한 라벨링이 필요합니다.
부서지기 쉬운 물건이나 무게 중심이 한쪽으로 치우친 물건처럼 특별한 주의가 필요한 대상은 별도의 표시를 추가하여 로봇이 이런 물건을 다룰 때 더 조심스러운 동작을 학습하도록 유도할 수 있습니다.
물건을 종류에 따라 나누는 분류 작업에서는 각 물체가 어떤 범주에 속하는가를 정확하게 라벨링하는 것이 무엇보다 중요하며 이 범주가 세밀할수록 로봇은 더 정교한 분류 판단을 내릴 수 있습니다. 크기나 무게 그리고 포장 형태가 유사한 물건들 사이에서도 실제로는 서로 다른 목적지로 보내져야 하는 경우가 많으므로 겉모습만으로는 구분하기 어려운 세부 정보까지 함께 라벨링하는 경우도 있습니다.
이와 같이 세밀한 분류 기준은 물류 현장의 운영 방식에 따라 달라지므로 각 현장의 특성을 충분히 반영한 라벨링 규칙을 마련하는 것이 중요합니다.
라벨링 작업은 사람이 수행하는 만큼 실수나 판단의 편차가 발생할 수 있으므로 완성된 라벨을 여러 단계에 걸쳐 검증하는 절차가 필요합니다. 동일한 데이터를 여러 작업자가 독립적으로 라벨링한 뒤 그 결과를 비교하면 일관성이 떨어지는 부분을 발견할 수 있으며 이런 불일치가 발견된 경우에는 기준을 다시 명확히 정리하여 전체 작업자에게 공유하는 과정이 뒤따라야 합니다.
라벨링이 완료된 데이터를 실제로 로봇에게 학습시킨 뒤 그 결과를 관찰하는 것도 중요한 검증 방법입니다. 특정 유형의 물건에서 반복적으로 오류가 나타난다면 이는 그 부분의 라벨링 기준을 다시 점검해야 한다는 신호로 받아들여야 합니다.
물류 현장에서 새로운 형태의 상품이나 포장 방식이 계속 등장하는 만큼 라벨링 작업도 한 번의 완성으로 끝나지 않고 지속적으로 갱신되어야 합니다. 현장에서 로봇이 마주치는 새로운 상황을 꾸준히 수집하고 이를 반영한 라벨링을 이어갈 때 물류로봇의 작업 능력은 시간이 지날수록 더욱 정교해지고 실제 현장의 복잡한 요구를 폭넓게 감당할 수 있게 됩니다.
.svg)
.svg)
