.svg)
AI 솔루션 문의하기
제조 현장에 로봇 자동화 솔루션을 적용할 때는 로봇 장비를 설치하는 것만으로 작업이 자동화되는 것은 아닙니다. 로봇이 무엇을 보고 어떤 작업을 수행해야 하는지 판단할 수 있도록 실제 생산환경을 데이터로 구성하는 과정이 함께 필요합니다. 부품을 집어 이동하거나 제품의 위치를 확인하고 조립·검사 작업을 수행하는 경우 대상물의 종류와 위치, 방향 등이 각각 다른 정보로 활용됩니다. 따라서 데이터 구축 단계부터 실제 로봇이 수행할 작업과 필요한 판단정보를 연결해 설계하는 방식이 적합합니다.
제조 현장에서는 같은 부품이라도 작업대 위에 놓이는 위치나 방향이 매번 달라질 수 있습니다. 로봇이 물체를 정확하게 집어야 하는 공정이라면 부품의 위치뿐 아니라 크기와 방향, 형태까지 학습데이터에 표현해야 합니다.여러 부품이 한 공간에 함께 놓이는 경우에는 각각을 별도의 대상으로 구분하고 서로 겹쳐 있는 상황도 데이터에 포함할 필요가 있습니다. 포장이나 적재 과정처럼 대상물이 일정한 위치에 놓이지 않는 작업일수록 다양한 배치 상태를 충분히 수집하는 것이 중요합니다.
물체가 어디에 있는지만 기록하는 것과 로봇이 실제로 집거나 이동할 수 있는 상태까지 표현하는 것은 데이터의 활용 범위가 다릅니다.
로봇 자동화에서는 대상물을 찾는 것과 실제로 로봇이 어떤 동작을 수행하는 것을 연결해야 합니다. 픽킹 작업이라면 물체의 위치와 함께 로봇이 어느 방향에서 접근해 어떤 자세로 집었는지에 대한 정보가 필요할 수 있습니다. 조립공정에서는 부품을 삽입하는 위치나 이동 경로가 중요하고 용접이나 도포 작업에서는 작업 대상의 위치와 로봇의 이동 궤적이 함께 활용됩니다. 따라서 이미지나 영상 데이터만 구축하기보다 필요에 따라 로봇 좌표와 작업 동작 정보를 함께 연계하는 구조를 검토할 수 있습니다.
같은 로봇을 사용하는 공정이라도 생산라인의 설비 배치나 작업공간에 따라 촬영되는 화면과 작업조건은 달라집니다. 카메라의 높이와 방향, 조명, 작업대 구조 등을 데이터 수집 조건과 함께 관리해야 합니다. 금속 부품이 많은 공간에서는 반사로 인해 물체의 형태가 다르게 보일 수 있고, 좁은 작업공간에서는 로봇이나 설비가 대상물을 가리는 상황도 발생합니다. 특정 라인의 이상적인 조건에서만 데이터를 수집하면 실제 다른 라인이나 작업조건에서 활용하기 어려울 수 있으므로 환경 차이를 반영해야 합니다.
자동화가 진행된 제조 현장에서도 작업자가 모든 공정에서 사라지는 것은 아닙니다. 부품을 공급하거나 검수하고 로봇의 작업공간 주변에서 다른 업무를 수행하는 경우도 있습니다. 이에 따라 사람과 로봇, 작업 대상물이 동시에 등장하는 장면을 데이터에 포함하는 방식이 필요합니다. 작업자가 물체를 가리거나 로봇의 이동경로에 들어오는 상황처럼 자동화 과정에서 실제로 발생할 수 있는 장면도 함께 수집해야 합니다. 이를 통해 로봇이 정상적인 작업환경과 예외적인 상황을 구분하는 데 필요한 자료를 구성할 수 있습니다.
로봇의 움직임만 기록해서는 자동화 공정 전체를 설명하기 어려운 경우가 있습니다. 로봇이 부품을 집은 뒤 실제로 정상적으로 이동했는지, 조립 대상에 제대로 결합됐는지처럼 로봇 동작과 작업 결과를 연결한 데이터가 필요하기 때문입니다. 센서값이나 설비 상태정보를 함께 활용하면 작업 성공 여부를 판단하는 자료로 사용할 수 있습니다. 특히 반복작업에서 특정 조건에서 실패가 증가한다면 해당 시점의 영상과 설비 데이터를 함께 확인해 원인을 분석할 수 있습니다.
자동화 솔루션을 구축할 때 정상적인 작업만 수집하면 실제 현장에서 발생하는 다양한 오류를 충분히 반영하기 어렵습니다. 부품이 뒤집혀 있거나 여러 개가 겹쳐 있는 경우, 정해진 위치에서 벗어난 경우처럼 로봇이 평소와 다른 판단을 내려야 하는 상황도 데이터에 포함해야 합니다. 작업 대상이 사라졌거나 공급이 지연된 상황, 작업공간에 장애물이 나타난 경우도 별도의 사례로 관리할 수 있습니다. 정상작업 데이터와 예외상황 데이터를 구분해 구축하면 로봇이 언제 작업을 수행하고 언제 추가적인 판단을 요구받는지 기준을 세우기 수월합니다.
이 세 가지를 함께 확인해야 단순한 영상 데이터가 아니라 실제 로봇 작업을 학습하고 검증하는 데 활용할 수 있는 데이터셋으로 구성할 수 있습니다.
로봇 자동화 데이터는 작업 목적에 따라 필요한 라벨의 수준도 달라집니다. 단순히 부품의 종류를 구분하는 작업과 정확한 집기 위치를 찾는 작업은 필요한 데이터 범위가 다릅니다. AI가 최종적으로 수행할 작업을 먼저 정하고 그에 맞춰 라벨링 수준을 결정하는 방식이 적합합니다. 동일한 대상에 대해 라벨러마다 위치나 작업 가능 여부를 다르게 판단하면 데이터의 일관성이 떨어질 수 있으므로 세부 기준을 문서화하고 표본 검수를 반복하는 과정도 필요합니다.
제조공장은 제품 모델이나 부품이 변경되고 설비가 교체되는 등 작업환경이 지속적으로 바뀔 수 있습니다. 이에 따라 초기 구축 데이터만으로 장기간 자동화 환경을 설명하기 어려울 수 있습니다. 새로운 제품과 작업조건이 등장할 때 관련 데이터를 추가하고 기존 데이터와 구분해 관리하는 체계가 필요합니다. 카메라 위치가 바뀌거나 작업대 구조가 변경된 경우에도 새로운 촬영환경을 다시 검증해야 합니다. 데이터 버전을 나눠 관리하면 모델을 업데이트할 때 어떤 조건의 자료가 추가됐는지 확인하기도 수월합니다.
제조 현장 로봇 자동화 솔루션의 데이터 구축은 단순히 많은 영상과 이미지를 모으는 작업과는 다릅니다. 로봇이 실제 작업공간에서 마주하는 대상과 움직임, 설비 상태, 작업 결과, 예외상황을 서로 연결해 표현하는 과정에 가깝습니다. 초기에는 대표적인 작업조건을 중심으로 데이터를 구성하더라도 시범운영 과정에서 발생하는 오인식이나 작업 실패 사례를 다시 데이터에 반영할 수 있습니다. 생산라인의 변화와 새로운 제품까지 지속적으로 기록하면 자동화 솔루션이 특정 작업환경에만 맞춰지는 문제를 줄이고 실제 제조공정에서 활용되는 데이터 기반을 유지할 수 있습니다.
.svg)
.svg)
