[2022 로봇비즈니스페어] 스마트 제조선봉에 선 AI 제조로봇

 

▲ 유일로보틱스 김병주 연구소장

 

산업용 로봇 전문 기업인 유일로보틱스의 김병주 연구소장은 ‘스마트 제조 선봉에 선 AI 제조 로봇’을 주제로 산업용 로봇 및 인공지능(AI) 등 첨단 기술을 이용한 AI제조 로봇 사례를 소개했다. 이 회사는 스마트 팩토리와 인공지능(AI) 전문가가 만나 융합된 인더스트리 4.0에 맞는 기술을 확보해 사업을 하고 있다.

 

유일로보틱스의 포트폴리오를 소개하자면 직교로봇, 협동로봇, 다관절 로봇을 가지고 있다. 로봇은 힘, 토크, 자유도와 코봇으로 고객 니즈에 맞게 세가지 로봇을 제공한다. 이를 로봇 시스템 통합(SI)이라고 하는데 현장 제조 자동화와 스마트팩토리를 같이 한다.

 

스마트 팩토리 플랫폼은 로봇의 클라우드 관제, 관제플랫폼(DCADA). 생산실행관리시스템 (MES), 로봇클라우드 관제로 이뤄진다.

 

◆“자율제어가 돼야 하는 게 인더스트리 4.0의 핵심”

 

산업부가 발표한 4차산업 분류의 로봇산업 발전 3단계 핵심 시나리오를 보면 스텝 1은 개별센서, 개별로봇으로 노동력을 대체하는 것으로 이해된다. 스텝 2에선 클라우드 기반으로 다중로봇을 제어한다. 여기에 클라우드 다중로봇이 되다 보니 자동화 협업이 가능한 것이다. 스텝3는 자율 수행 다중로봇이 콜라보(협업)되는 것이다.

 

우리는 이런 기조에 맞춰 연구 개발한다. 인더스트리 4.0. 핵심 포인트는 대량생산, 자동화기술이다. 현재 전세계는 인더스트리 3.0에 머물고 있다. 데이터 기반으로 서로 호환시키는 인더스트리 4.0을 많이 하고 있는데 거기에 자율제어가 돼야 하는 게 인더스트리 4.0의 핵심이다.

 

AI 및 클라우드 융합은 가정, 모바일, 자동차, 부품, 화장품 케이스 등에 많이 적용하고 있다. 현재 유일로보틱스는 이를 부품, 조립 산업에 적용하고 있지만 나중에 더 확대될 것이다.

 

◆로봇을 산업에 어떻게 이용할 것인가

 

하우(How)와 왓(What)이 중요하다. 우리는 ‘하우’ 차원에서는 그 방법상 일단 많은 플랫폼을 가지고 있다. ‘왓’이라는 부분에서는 사실 어떤 도메인 시장에 적용할 것인지가 가장 중요하다.

 

로봇 모터, 액추에이터, 드라이버, 감속기 등 많은 전기 계장적 부분에 모션 제어기, 티칭 펜던트, ROS 등 굉장히 많은 것이 있다. 그런데 ICT 기술 진보에 의해 여기에 이미 로봇이 침투하고 있다. R로봇, M로봇 등 클라우드 기반, 티칭 펜던트, 제어기들이 쏟아지고 있다. 거기에 AI 알고리즘들이 파이썬, 텐서플로 플랫폼 등으로 적용되고 있고, 솔직히 이런 컴포넌트 등을 가져다 확보해도 충분하다.

 

우리는 다양한 플랫폼과 원천 기술을 활용하고 있다. 여기에 각 산업, 즉 자동차 조립공장, 임가공 프로세스 공장 등에 플랫폼 얼마나 잘 활용하느냐에 따라 산업요구에 진화 발전할 수 있을 것이다.

 

◆제조업에서 AI 활용의 한계는?

 

그런데 요즘 AI에 한계가 있다. '약지능'이기에 항상 한계가 있다. 기능적, 프로세스적 트렌트 분류가 굉장히 많이 있는데 음성인식과 비전 추적 등에 대해 연구를 하고 있지만 항상 한계가 드러나고 있다.

 

처음엔 뉴런 CNN(합성곱 신경망), RNN(순환 신경망) 학습을 통한 이미지 영상과 음성이 5년 전부터 마구 쏟아졌지만 로봇에 적용하는 데 한계가 있다.

 

예를 들면 출입시스템 개발에 들어갔는데 40대 여자라면 출입을 인식할 수 있는데 이때 라벨이 붙고 이것이 계속 유지될 것이다. 그런데 로봇이 생산로봇에 사용될 경우 정밀도가 굉장히 높아야 하고 예측과 추론이 정확히 돼야 한다. 그러다 보니 AI를 인간의 생물학적 근사성에 가장 맞게 인간과 가까워지게 하려고 노력하고 있다.

 

◆로봇에서 원하는 AI는 어떤 것일까.

 

자율이동로봇(AMR), 로봇암, 협동로봇(코봇) 등이 카메라로 인간 동작 인식해 주문에 따라 절단, 분쇄, 용접 등을 알아서 한다. 가장 중요한 것이 정밀도다.

 

우리 회사 의뢰 고객들은 대부분 한번쯤 AI를 했는데 정밀도가 높아지지 않아 다시 우리에게 의뢰한다. 처음에는 딥러닝으로 하다 보니 출입통제 챗봇 환경 관리 등에선 잘 쓸 수 있다. 그런데 챗봇에서 “배가 아파요” 하니 “누가 땅샀나요” 한단다. (병원관련 대꾸를 해야 하는데 맥락을 제대로 이해하지 못해 엉뚱한 답을 했다.)

 

즉, 현장에선 점점더 고도의 AI를 원한다. 궁극적으로 SF속 터미네이터가 나와야 한다. (그걸 원한다.)

 

AI는 관제시스템, 자율경비, 소방 등에 사용되는데 대부분이 오감인식, 두뇌기능, 그리고 예지 추론 기능 등을 조합해서 솔루션을 내놓을 수 있다는 개인적 결론을 냈다.

 

◆차선 프로젝트에서의 활용 사례

 

우리의 프로젝트 사례를 소개하자면 첫 번째는 도색이다. 지금까지 도로 차선 도색시에 이전에 차선 인식하고 복구하고 다시 로봇 제어 차선에 도료를 뿌릴 수 있게끔 했는데 이때 차선이 넘치고 오류를 발생시켰다.

 

AI 딥러닝을 통해 CNN을 활용했는데 오류. 차선 분석 각종 표면력 등을 분석하고 차선을 복구한다. 지금까지는 차선이 끊기고 환경이 달라지면 추정 못했는데 이젠 추정 알고리즘을 통해 사전 예측을 할 수 있어 정확한 차선 위치를 파악해 도색한다.

 

이는 어떤 방식으로 이뤄졌을까. 먼저 차선 인식 복구다. 계속 복구하면서 학습해 오류를 줄여 나가는 작업을 한다. 두 번째는 오류 추정 및 예측을 통해 빛 반사 등 다양한 문제를 해결한다. 자동차가 최소 5km를 달려야 차선을 도색하면서 지나갈 수 있다. 그래서 정확도와 스피드에 중점을 뒀다.

 

먼저 오토 인코더, 베이직 같은 CNN으로 하고, GAN(갠·적대적 생성망)을 사용한다. 고해상도 갠 특성을 감지했더니 가장 빠른 것과 정밀도가 높은 것이 나왔다. 이 때 고해상도 갠이 가장 높은 정밀도와 속도를 보였다.

 

두 번째는 차선 추정인데, RNN의 한종류인 LSTM(Long Short-Term Memory), 그보다 단순화시킨 GRU(Gated Reccurent Unit), 그리고 CNN 트랜스폼 등을 통해 93.5%까지 추정했다.

 

타임 시리즈 트랜스포머를 통해 병렬처리 연산을 함으로써 추론 속도와 정밀도를 높일 수 있었고 결국 차선을 정확히 복구할 수 있었다.

 

◆픽킹 로봇에서의 활용 사례

 

비전(시각) 센서는 캐논 등 많은 시스템이 있다. 그런데 로봇의 눈인 이 카메라 비전이 5000만~1억 원이 넘는다. 농수산물 분야에서 1억원짜리 비전카메라를 사용한다면 배보다 배꼽이 크다. 이 비용 문제를 AI를 통해 해결할 수 있었다.

 

이미 이스라엘 회사들이 3D비전이 아닌 저가 카메라로 정확히 인지하는 알고리즘을 구현했고, 이것이 전세계로 확대되고 있다. 유일로보틱스도 투자효율(ROI) 높은 시스템인 6디포즈 딥러닝 기반 키포인트 베이스드 기반 PV낸스(6 depose deep learning based keypoint based PV nance)를 썼다.

 

2D 키포인트를 가지고 퍼스펙티브 앤 포인트 알고리즘을 사용해 게속해서 3D포인트로 복원해 실생활에 적용해 사용했다. 그 결과 일반 카메라로 픽업부터 해서 정확히 잡게 됐다,

 

PV넷 프레임 구조 자료는 저명 논문에서 따온 것인데 다양한 저가 카메라 인텔 20만원 3X에 적용해 로봇을 대량생산할 계획이다.

 

또한 3D카메라도 있다. 오비털(orbital) 용접이라고 해서 원형 써큘러 용접에 적용, 좌표값을 보정하기 위해 카메라를 멀리서도 장착해야 한다. 용접시 환경은 먼지 불꽃이 나오기에 밖에, 배경에 3D카메라를 론칭하고 있다.

 

◆기타 사례

 

기타 사례를 간단히 말하자면 직교로봇을 원격 군집 관리 할 수 있는 것을 만들고 있다. 로봇과 설비기계 등장하는 것으로서 지난해 중기부 과제인데 지금 2차버전 디지털 트윈을 개발중이다.

 

가장 큰 고객은 플라스틱 사출 성형기 업체 고객들이다. 사출 데이터 수집하는데 정확하고 부정확한 것을 데이터마이닝 해야 하는데 크로스 상관도를 분석해 데이터 마이닝, RNN, MLP(다층 퍼셉트론) 등을 통해 예측할 수 있다. K스마트 등대에 적용해서 열심히 사업 진행하고 있다.

 

이를 위해서는 2D, 3D등 정확한 CAD(캐드·컴퓨터 지원 설계) 도면이 필요하다. 빛과 조명 환경에 따라 포지션이 달라지는데 그 환경에 대한 시뮬레이션으로 찍어서 학습해야 정밀도가 높아진다.

 

 

 

이성원 robot3@irobotnews.com

<저작권자 © 로봇신문사 무단전재 및 재배포금지>