.svg)
AI 솔루션 문의하기
물류센터에서 다뤄지는 상품은 크기 모양 재질 포장 상태가 저마다 다르고 박스 안에서 뒤섞인 채 쌓여 있는 경우가 대부분입니다. 사람은 눈으로 상품의 형태를 즉시 파악하고 손의 감각으로 무게 중심을 잡아 집어 올리지만 로봇이 같은 작업을 하려면 카메라로 촬영한 영상만으로 어느 지점을 어떤 힘으로 잡아야 상품이 손상되지 않고 안정적으로 들어올려지는지를 스스로 판단할 수 있어야 합니다. 정형화된 부품을 다루는 제조 현장과 달리 물류센터는 매일 새로운 형태의 상품이 유입되기 때문에 학습해야 할 대상의 범위가 훨씬 넓습니다. 계절이나 판촉 행사에 따라 취급 상품 구성이 크게 바뀌는 점도 다른 산업 현장과 구분되는 특징입니다.
기존 물류 자동화 설비는 미리 등록된 상품의 크기와 형태 정보를 기준으로 픽업 위치를 계산하는 방식이 일반적이었습니다. 이 방식은 새로운 상품이 입고될 때마다 형태 정보를 하나하나 등록해야 하고 등록되지 않은 상품이나 포장이 변경된 상품이 섞여 들어오면 인식 자체가 되지 않아 사람이 다시 개입해야 하는 상황이 반복됐습니다. 상품 회전이 빠른 물류센터일수록 이러한 등록 부담은 자동화 도입의 걸림돌로 작용해 왔으며 신상품 출시 주기가 짧은 유통 채널일수록 등록 작업량 자체가 감당하기 어려운 수준으로 늘어나는 경우도 있었습니다.
비전 AI 데이터 플랫폼은 다양한 형태와 배치로 쌓인 상품을 촬영한 대량의 영상 데이터를 인공지능이 학습할 수 있는 형태로 가공하는 역할을 담당합니다. 상품 하나하나의 윤곽선과 표면 재질은 물론 여러 상품이 겹쳐 있을 때 어느 부분이 잡기에 안전한 파지점인지를 함께 표시한 데이터를 대량으로 학습시키면 처음 보는 상품이라도 형태의 특징을 근거로 파지 가능 여부를 스스로 추론할 수 있는 능력이 갖춰집니다. 개별 상품을 하나하나 등록하는 과정 없이도 유사한 형태의 신상품에 곧바로 대응할 수 있다는 점에서 운영 부담을 크게 줄여줍니다. 사전 등록 없이도 새로운 상품에 대응할 수 있다는 점에서 기존 방식과는 접근 자체가 다릅니다.
물류센터 현장에서는 상품이 정돈되지 않은 채 무작위로 쌓여 있는 클러터 환경이 흔하게 나타납니다. 여러 상품이 겹치거나 일부가 가려진 상태에서 로봇이 어느 상품을 먼저 집어야 나머지 상품의 배치가 무너지지 않는지를 판단해야 하기 때문에 데이터 역시 정돈된 단일 상품 촬영본만으로는 부족하고 실제 작업 현장과 유사하게 뒤섞인 다양한 배치 상황을 폭넓게 담아야 합니다. 배치 상황의 조합이 사실상 무한에 가깝다는 점에서 데이터 수집 범위를 어디까지 넓힐지가 늘 고민거리로 남으며 실제 반품 상자나 혼적 컨테이너처럼 예외적인 환경까지 포함해 촬영하는 경우도 늘고 있습니다.
물류센터에는 유리 제품이나 액체가 담긴 용기처럼 강한 힘으로 잡으면 파손될 수 있는 상품도 함께 섞여 있습니다. 비전 AI 데이터 플랫폼은 상품의 재질과 형태를 근거로 파손 위험이 있는 품목을 별도로 구분하고 이러한 품목에는 더 낮은 힘으로 넓은 면적을 감싸듯 잡는 방식을 학습시키기 위한 데이터를 따로 마련해야 합니다. 파손 사고 하나가 발생하면 해당 구역의 작업이 전체적으로 지연될 수 있어 이 부분의 학습 데이터는 특히 꼼꼼하게 검증되어야 하며 파손 여부를 사후에 확인할 수 있는 별도의 점검 절차와 함께 운영하는 것이 바람직합니다.
물류센터는 구역에 따라 조명의 밝기와 색온도가 다르고 컨베이어 벨트의 진동으로 카메라가 흔들리는 경우도 있습니다. 동일한 상품이라도 조명 조건에 따라 표면의 반사나 그림자가 달라지면 인식 결과가 흔들릴 수 있어 학습 데이터에는 다양한 조명 밝기와 각도 진동 상황에서 촬영된 영상이 폭넓게 포함되어야 합니다. 특정 시간대나 특정 구역에서만 촬영된 데이터로 학습하면 다른 환경으로 확장했을 때 인식률이 떨어지는 문제가 나타날 수 있으며 야간 조명이나 창고 외곽처럼 조도가 낮은 구간의 데이터도 함께 확보해 두어야 확장 적용이 수월해집니다.
물류센터에 피킹로봇 비전 AI 데이터 플랫폼을 도입하려면 먼저 취급하는 상품군의 다양성과 회전율을 파악해 데이터 수집 범위를 설정하는 작업이 필요합니다. 신규 상품이 지속적으로 유입되는 특성을 고려해 초기 구축 이후에도 새로운 상품 데이터를 주기적으로 추가하고 재학습하는 운영 체계를 함께 마련해야 하며 컨베이어 속도나 조명 환경이 계절이나 시간대별로 달라지는 경우까지 데이터 수집 계획에 반영해야 합니다. 파손이나 낙하 등 실패 사례에 대한 기록 체계도 함께 갖춰야 이후 데이터 보완의 근거로 활용할 수 있습니다.
물류센터의 피킹 작업은 오랫동안 사람의 숙련된 손끝 감각에 의존해 온 영역입니다. 비전 AI 데이터 플랫폼은 이러한 감각적인 판단을 대량의 시각 데이터로 옮겨 담아 로봇이 낯선 상품 앞에서도 스스로 파지 방식을 판단할 수 있도록 돕는 기술적 토대를 만들고 있습니다. 상품의 종류가 계속 늘어나고 회전 속도가 빨라지는 물류 환경에서는 이처럼 폭넓은 데이터를 갖춘 인식 능력이 자동화의 성패를 가르는 요소가 될 가능성이 큽니다. 카메라가 담아내는 시각 정보의 양과 질이 곧 로봇이 다룰 수 있는 상품의 범위를 결정짓는 셈입니다.
.svg)
.svg)
