.svg)
AI 솔루션 문의하기
로봇이 공간을 인식할 때, 순수한 거리와 좌표 정보만으로는 불충분합니다. 어떤 영역이 작업 대상인지, 어떤 영역이 장애물인지, 어떤 영역이 위험한지를 구분해야 합니다. 이를 위해 3D 공간의 각 부분에 의미를 나타내는 라벨을 붙이는 과정이 필요합니다. 3D 포인트 클라우드의 각 점에 의미론적 라벨을 부여하는 과정을 통해, 로봇이 단순한 기하학적 정보를 넘어 공간의 의미를 이해할 수 있게 되며, 그 의미에 따라 적절한 행동을 선택할 수 있게 됩니다. 예를 들어 같은 "고체 물체"라는 라벨이라도 "작업 대상 물체"와 "작업 도구"는 로봇의 행동이 완전히 다릅니다. 의미론적 라벨링은 로봇의 지능적 행동을 가능하게 하는 기초입니다.
로봇 작업의 효율성을 높이기 위해서는 관심 영역을 명확하게 정의해야 합니다. 작업 공간 전체를 분석할 필요는 없고, 로봇이 실제로 작업해야 하는 부분에 집중해야 합니다. 예를 들어 조립 작업에서는 부품이 있는 영역만 중요하고, 그 외의 공간은 덜 중요합니다. 이러한 관심 영역의 경계를 정확하게 표시하면, 로봇이 제한된 자원을 효율적으로 사용할 수 있습니다. 또한 3D 공간에서 경계를 정의하는 방식, 점 기반, 복셀 기반, 메시 기반에 따라 라벨링 방법이 달라집니다. 로봇 작업에 필요한 모든 관심 영역을 3D 공간에서 정확하게 표시하고, 각 영역의 경계를 명확하게 정의하여 라벨링하면, 로봇이 작업의 중심에 집중하고 무관한 정보는 무시할 수 있게 되며, 결과적으로 처리 속도와 의사결정의 정확성이 모두 향상됩니다. 관심 영역의 명시는 로봇의 효율성을 직접 좌우합니다.
3D 공간의 라벨링은 단순히 "물체"와 "배경"을 구분하는 것을 넘어, 개별 물체들을 서로 구분하고, 각 물체의 정확한 경계를 표시해야 합니다. 이를 인스턴스 분할이라 합니다. 같은 종류의 물체여도 개별적으로 분리되어야 조작할 수 있습니다. 예를 들어 테이블 위에 같은 크기의 상자가 여러 개 있을 때, 로봇은 각 상자를 개별적으로 인식하고 하나씩 집을 수 있어야 합니다. 이를 위해서는 3D 공간 데이터에서 각 상자의 경계를 정확하게 표시해야 합니다. 여러 물체가 겹쳐 있거나 인접해 있을 때도 각 물체의 경계를 정확하게 라벨링하면, 로봇이 개별 물체를 구분하여 조작할 수 있게 되며, 복잡한 환경에서도 안정적으로 작업할 수 있게 됩니다. 정확한 인스턴스 분할은 조작 작업의 가능 여부를 결정합니다.
로봇의 모든 공간이 작업에 적합한 것은 아닙니다. 로봇의 팔의 길이, 관절의 회전 범위, 기하학적 제약에 의해 도달할 수 없는 영역이 있습니다. 또한 도달 가능하더라도 안정성이 떨어지거나 정밀도가 낮아서 작업에 부적합한 영역이 있을 수 있습니다. 3D 공간의 각 영역이 로봇에 의해 안전하게 작업 가능한지를 판정하고 라벨링하면, 로봇이 작업 가능한 영역 내에서만 계획을 수립할 수 있게 되며, 불가능한 작업을 시도하여 실패하는 상황을 피할 수 있게 됩니다. 또한 작업 가능 영역의 경계를 정확하게 알면, 그 경계 근처에서의 동작을 특별히 조심스럽게 수행할 수 있습니다. 작업 가능 영역 라벨링은 로봇의 현실적인 행동 계획을 가능하게 합니다.
작업 공간에는 로봇이 접근하면 안 되는 위험한 영역들이 있습니다. 뜨거운 부분, 날카로운 부분, 회전하는 기계, 사람이 있는 영역 같은 곳들입니다. 이러한 위험 영역을 3D 공간에서 명확하게 표시하면, 로봇이 그 영역을 자동으로 피할 수 있습니다. 또한 위험 영역의 위험 수준을 분류할 수 있습니다. 절대 접근하면 안 되는 영역과 조심스럽게 접근할 수 있는 영역을 구분하면, 로봇의 행동을 더욱 유연하게 할 수 있습니다. 위험 영역을 세밀하게 라벨링하고, 각 위험 영역의 위험 수준을 명시하면, 로봇이 안전성을 유지하면서도 가능한 많은 작업을 수행할 수 있게 되며, 인간과 로봇의 안전한 협력이 가능해집니다. 위험 영역 라벨링은 안전한 공존의 기초입니다.
작업 공간의 각 영역이 어떤 기능을 가지는지를 라벨링할 수 있습니다. "부품 수급 영역", "작업 영역", "품질 검사 영역", "완성품 적재 영역" 같은 식으로 기능을 정의하면, 로봇이 공간의 의미를 더욱 명확하게 이해할 수 있습니다. 3D 공간을 기능별로 구분하여 라벨링하면, 로봇이 현재 위치에서 다음에 해야 할 일이 무엇인지를 자동으로 판단할 수 있게 되며, 작업 흐름을 더욱 지능적으로 계획할 수 있게 됩니다. 예를 들어 로봇이 "작업 영역"에 있으면 조립을 시작하고, "검사 영역"에 있으면 품질을 점검하는 식입니다. 기능적 라벨링은 로봇의 작업 인지를 높입니다.
3D 공간의 물체나 영역들은 다양한 속성을 가질 수 있습니다. 재질, 색상, 온도, 접촉 가능성 같은 속성들입니다. 이런 속성들을 라벨로 표시하면, 로봇이 물체의 성질을 미리 인식하고 그에 맞춰 행동할 수 있습니다. 뜨거운 물체와 찬 물체를 구분하면, 로봇이 다른 속도와 다른 그립으로 취급할 수 있습니다. 접촉해서는 안 되는 물체와 집을 수 있는 물체를 구분하면, 로봇이 불필요한 시도를 하지 않을 수 있습니다. 물체의 물리적 속성을 3D 공간 데이터에 라벨로 포함시키면, 로봇이 물체의 특성을 사전에 인식하고 적절한 조작 방법을 선택할 수 있게 되며, 모든 상황에서 안전하고 효과적인 작업이 가능해집니다. 속성 라벨링은 로봇의 상황 인식을 깊게 합니다.
대규모의 3D 공간 라벨링 작업이 되면, 일관된 규칙을 따르는 것이 매우 중요합니다. 같은 물체라도 다르게 라벨되면 로봇이 혼란을 겪을 수 있습니다. 따라서 명확한 라벨링 규칙을 정의하고, 모든 라벨러가 그 규칙을 따르도록 해야 합니다. 또한 일부 라벨링 작업은 반복적이고 규칙이 명확하므로, 자동화할 수 있습니다. 예를 들어 평면의 자동 감지, 물체 경계의 자동 추출, 기본적인 속성 분류 같은 것들입니다. 명확한 라벨링 규칙을 수립하고, 반복적인 작업은 자동화하면서도 복잡한 판단이 필요한 부분은 인간이 담당하면, 큰 규모의 라벨링 작업을 효율적으로 완성할 수 있게 되며, 데이터의 품질과 일관성을 동시에 유지할 수 있게 됩니다. 라벨링 규칙의 정립은 대규모 데이터셋 구축의 기초입니다.
.svg)
.svg)
