.svg)
AI 솔루션 문의하기
로봇이 자율적으로 환경을 이해하고 움직이기 위해서는 공간지능이 필수입니다. 공간지능(Spatial Intelligence)이란 로봇이 3차원 환경을 인식하고, 장애물을 회피하며, 경로를 계획하고, 작업을 수행할 수 있는 능력을 의미합니다. 이를 위해서는 대량의 공간 데이터가 필요합니다.
기존의 로봇들은 사전 프로그래밍된 환경에서만 작동했습니다. 정해진 경로를 따라 반복 작업을 수행합니다. 하지만 현대의 자율 로봇은 미지의 환경에 적응해야 합니다. 배송 로봇이 도시 거리를 누비고, 청소 로봇이 다양한 건물 내부를 이동합니다. 이러한 로봇들이 안전하고 효율적으로 작동하려면, 공간을 정확히 이해할 수 있는 지능이 필요합니다.
공간지능은 머신러닝 기반입니다. 로봇이 다양한 환경에서 수집한 데이터로부터 학습합니다. 산업용 로봇, 배송 로봇, 청소 로봇, 수술 로봇 등 각각의 로봇이 공간지능 기술을 필요로 합니다.
공간 데이터 수집의 첫 단계는 센서를 통한 환경 감지입니다. LiDAR(라이다), 카메라, 초음파 센서, 레이더 등 다양한 센서가 로봇에 탑재됩니다. LiDAR는 레이저 펄스를 발사하여 거리 정보를 수집합니다. 3차원 점군(Point Cloud) 데이터를 생성합니다.
카메라는 RGB 이미지를 캡처합니다. 깊이 카메라는 RGB-D 데이터를 제공하여 이미지의 각 픽셀의 거리 정보를 기록합니다. 초음파 센서는 음파를 이용하여 근거리의 장애물을 감지합니다. 레이더는 움직이는 물체도 감지할 수 있습니다.
이 센서들이 수집하는 정보는 매우 방대합니다. LiDAR 센서 하나가 초당 수백만 개의 거리 데이터 포인트를 생성합니다. 카메라는 초당 30개 이상의 프레임을 기록합니다. 이러한 데이터를 모두 저장하고 처리하려면 강력한 인프라가 필요합니다.
센서에서 수집한 원본 데이터는 바로 사용할 수 없습니다. 노이즈 제거, 정렬, 필터링 등의 전처리 과정을 거쳐야 합니다. 센서의 오류로 인한 잘못된 데이터 포인트를 제거합니다. 센서 간의 데이터를 정렬하여 일관성 있는 공간 정보로 통합합니다.
전처리된 점군 데이터는 3D 맵으로 변환됩니다. 복셀(Voxel) 기반 표현으로 3D 공간을 격자화합니다. 각 격자가 점유되어 있는지, 비어있는지를 기록합니다. 이를 통해 로봇이 이동 가능한 공간과 장애물이 있는 공간을 구분할 수 있습니다.
또 다른 방식은 메시(Mesh) 기반 표현입니다. 점군 데이터를 연결하여 표면을 형성합니다. 이는 더 정교한 환경 표현을 제공합니다. 메시 맵은 로봇이 정확한 경로 계획을 수행할 수 있게 합니다.
현대의 로봇은 여러 센서를 탑재합니다. 각 센서가 제공하는 데이터를 통합하는 센서 융합 기술이 중요합니다. LiDAR와 카메라 데이터를 결합하면, 3D 기하학적 정보와 색상 정보를 동시에 얻습니다. 초음파와 레이더 데이터를 추가하면 근거리 감지 능력이 향상됩니다.
센서 융합을 위해서는 데이터의 정렬이 필수적입니다. 각 센서는 약간의 시간 차이를 가지고 데이터를 수집합니다. 센서의 위치도 로봇 몸체 상에서 다릅니다. 이러한 차이를 보정하여 통일된 좌표계에서 모든 데이터를 정렬합니다.
또한 센서의 보정도 필요합니다. 출고 시에는 완벽하지만, 로봇이 움직이는 과정에서 센서의 정렬이 미묘하게 변할 수 있습니다. 정기적으로 센서 보정을 수행하여 데이터의 정확성을 유지합니다.
로봇이 수집하는 공간 데이터는 로봇의 이동 궤적과 밀접한 관련이 있습니다. 로봇이 어디로 이동했는지 파악하는 SLAM(동시 위치 파악 및 맵핑) 기술이 중심입니다. SLAM은 로봇이 미지의 환경에서 맵을 생성하면서 자신의 위치를 동시에 파악하는 기술입니다.
SLAM의 과정은 다음과 같습니다. 먼저 센서 데이터에서 특징을 추출합니다. 특징은 모서리, 모서리의 교점, 반복되는 패턴 등입니다. 현재 프레임의 특징과 이전 프레임의 특징을 비교하여 로봇의 이동량을 계산합니다.
이동량을 기반으로 로봇의 위치를 업데이트합니다. 동시에 센서 데이터를 맵에 통합합니다. 로봇이 같은 위치에 다시 도착하면, 위치 재인식이 발생합니다. 이를 통해 맵의 일관성을 유지합니다.
로봇 공간지능 데이터를 구축하는 실무 절차는 계획적입니다.
이 모든 단계가 체계적으로 수행되어야 고품질의 공간지능을 갖춘 로봇이 완성됩니다.
실제 환경은 정적이지 않습니다. 사람이 이동하고, 물체가 옮겨지고, 조명이 변합니다. 로봇의 공간지능은 이러한 동적 변화에 적응해야 합니다.
시간에 따른 환경 변화를 반영하기 위해, 로봇은 정기적으로 같은 환경을 재수집합니다. 계절에 따른 변화, 낮과 밤의 조명 변화, 사람의 활동 패턴 변화 등을 학습합니다. 이를 통해 로봇은 다양한 조건에서 안정적으로 작동할 수 있습니다.
또한 로봇은 주행 중에 예상치 못한 변화를 만나면, 그 정보를 피드백으로 수집합니다. 새로운 장애물이 나타났거나, 경로가 막혔을 때 로봇이 수집한 데이터는 모델을 지속적으로 개선하는 데 사용됩니다.
3D 맵은 기하학적 정보만 포함하는 것으로는 부족합니다. 로봇이 의미 있는 행동을 하려면, 공간의 의미를 이해해야 합니다. "이곳은 벽이다", "이것은 문이다", "여기는 계단이다" 같은 의미 정보가 필요합니다.
이를 위해 전문가가 맵의 각 영역에 라벨을 붙입니다. 배송 로봇의 경우 도로, 인도, 건물 입구, 엘리베이터 등을 구분합니다. 청소 로봇의 경우 카펫, 타일, 목재 바닥 등 다양한 표면을 분류합니다. 수술 로봇의 경우 해부학적 구조를 정확히 라벨링합니다.
라벨링은 인력 집약적 작업입니다. 수백, 수천 개의 이미지와 점군 데이터에 일일이 라벨을 붙여야 합니다. 일부 기업은 크라우드소싱을 사용하여 비용을 줄입니다. 부분적으로 자동화된 라벨링 도구도 개발되고 있습니다.
로봇이 학습한 공간지능이 새로운 환경에 적용될 수 있는가는 중요한 문제입니다. 특정 건물에서 수집한 데이터로 훈련된 로봇이, 다른 건물에서도 잘 작동할 수 있을까요? 이를 일반화 문제라고 합니다.
도메인 적응 기술이 이 문제를 해결합니다. 원본 도메인(수집 환경)에서 학습한 모델을 목표 도메인(새로운 환경)에 적응시킵니다. 새로운 환경에서 소량의 데이터를 수집하여 모델을 미세 조정합니다.
또 다른 접근법은 시뮬레이션입니다. 컴퓨터로 다양한 환경을 만들고, 로봇이 시뮬레이션에서 학습합니다. 그 후 실제 환경에 배포합니다. 하지만 시뮬레이션과 현실의 간극(Sim-to-Real Gap)이 문제가 될 수 있습니다.
로봇이 수집하는 공간 데이터에는 민감한 정보가 포함될 수 있습니다. 실내 환경을 3D 맵으로 만들면, 사람들의 일상이 데이터화됩니다. 누가 어디에 있는지, 어떤 활동을 하는지가 기록될 수 있습니다.
개인정보 보호를 위해 여러 조치가 필요합니다. 첫째, 사람 얼굴과 신원을 식별할 수 있는 정보는 제거합니다. 블러 처리나 인페인팅 기술을 사용합니다. 둘째, 수집 전에 동의를 받습니다. 건물 거주자나 보안 책임자에게 데이터 수집 목적을 설명합니다.
셋째, 데이터 보안입니다. 수집된 공간 데이터는 암호화되어 저장됩니다. 접근 권한을 엄격히 관리합니다. 넷째, 데이터 보유 기간을 제한합니다. 필요 이상 오래 보관하지 않습니다.
공간지능 데이터 수집은 비용이 많이 듭니다. 센서 비용, 로봇 운영 비용, 데이터 처리 비용, 라벨링 비용이 모두 소요됩니다. 대규모 데이터를 수집하려면 상당한 투자가 필요합니다.
비용을 줄이기 위한 전략들이 개발되고 있습니다. 저가형 센서를 사용하되, 센서 융합을 통해 정확도를 높입니다. 자동화된 라벨링 도구를 개발하여 인력 비용을 줄입니다. 시뮬레이션을 활용하여 실제 로봇 운영 시간을 줄입니다.
또한 데이터 재활용도 중요합니다. 한 로봇이 수집한 데이터가 여러 로봇의 학습에 사용될 수 있습니다. 서로 다른 로봇의 센서에서 나온 데이터도 통합될 수 있습니다. 이렇게 하면 데이터 수집 비용을 분산할 수 있습니다.
공간지능 데이터 구축 기술은 계속 진화할 것입니다. 5G 통신 기술의 발전으로, 원격에서 로봇 데이터를 실시간으로 수집하고 처리할 수 있게 될 것입니다. 여러 로봇의 센서 데이터를 클라우드에서 동시에 처리할 수 있습니다. 생성 모델의 발전도 기대됩니다. 제한된 실제 데이터로부터 다양한 환경을 생성할 수 있게 됩니다. 이는 데이터 수집 부담을 줄입니다.
또한 자가 학습 기술도 발전하고 있으므로 라벨이 없는 데이터로도 유의미한 학습이 가능해지고, 이는 라벨링 비용을 획기적으로 줄일 수 있습니다.
.svg)
.svg)
