동적/비정형 환경의 로봇 이동지능 기술 동향

국외의 경우 스위스 ETH Zurich 대학에서 스핀오프된 애니보틱스(ANYbotics)에서 개발한 세계 최고 수준의 4족 보행로봇 ANYmal은 심층 강화학습 기술을 이용하여 이동 제어를 구현하였다. 이동지능 기술을 구성하고 있는 심층 강화학습 기술은 최근 물리엔진의 발전과 Sim-to-Real Gap(시뮬레이션과 현실의 간극)을 줄일 수 있는 여러 방법의 제안으로 실제 로봇에 구현되기 시작하였다. 특히 ANYmal은 안정성 위주의 보행에서 탁월한 기술을 자랑하고 있고, 최근 Science Robotics 논문에서는 상당한 거리의 알프스 하이킹 코스를 보행으로 주파한 적이 있다. 다만 전반적인 내비게이션 관련 조종은 아직까지 사람에 의존하는 것으로 조사되었다.

MIT, 미시간 대학, 오레곤 대학 등은 전통적인 모델 예측제어기를 사용한 4족 보행에 탁월한 성능을 보이고 있는데, 이는 단순한 실내 환경뿐만 아니라 동적/비정형적인 야외 환경도 포함하고 있다. 최근에는 Meta(구, Facebook)나 Google, NVIDIA도 4족 보행로봇 기술 연구에 뛰어들어 성과를 내고 있으며, 이들 실리콘 밸리 IT 기업들은 인공지능, 강화학습 및 자율주행 등 다양한 알고리즘을 보유하고 있는 것으로 파악되었다.

국내의 경우 (주)레인보우 로보틱스(Rainbow Robotics)에서 자체 개발한 4족 보행로봇이 있는데, 복잡한 지형을 보행할 수 있는 기술과 외부 충격에 강한 보행제어 알고리즘을 특징으로 가반하중은 3~4kg까지 가능하지만, 라이다 센서나 비전 센서 등을 탑재하지 않은 제품으로 공간인식이나 이동지능을 할 수 없고 다만 리모컨을 통해 사람이 조작하는 수준이다. (주)에이딘 로보틱스(Aidin Robotics)에서 자체 개발한 4족 보행로봇의 경우 무게 약 43kg, 12축 모터, 2대의 Intel PC를 갖춘 사양을 가지고 있으며, 16cm의 계단을 극복할 수 있고, 4.32km/h의 최대 보행속도를 보인다. 기본적인 보행 기능은 탑재하고 있으나, 비전 센서를 통한 인지 지능보행 기술은 확인되지 않고 있다.

현대자동차그룹이 2020년 12월 미국의 보스턴 다이내믹스를 인수 후 스팟(Spot) 4족 보행로봇을 활용한 첫 번째 프로젝트로 2021년 9월에 ‘공장 안전 서비스 로봇(Factory Safety Service Robot)’을 공개하였다. 이것은 현대자동차그룹 로보틱스랩에서 자체 개발한 인공지능 기반 ‘AI프로세싱 서비스 유닛(AI 유닛)’을 탑재하여 주변 환경 데이터를 축적하여 로봇 시스템을 최적화한 후 산업현장의 위험을 감지하고 안전을 책임지는 기능을 담당하며, 기아 광명 공장 실현장에서 시범운영을 시작하였다. 이 기술은 라이다 센서, 단안 카메라, 열화상 카메라 등 여러 센서로부터 획득한 데이터를 딥러닝 모델로 처리하여 주변 환경정보를 인식한다. 주변 환경정보로부터 외부인 무단침입 감지, 고온 위험 감지, 이상 상황 감지와 같은 높은 레벨의 인식이 가능하다. 또한, 자체 내장된 통신모듈은 관제시템과 연결되어 로봇의 원격 조종이 가능하고, 이를 통하여 산업현장에 대한 감시, 정찰이 가능하다.

최근 물류 산업의 확대로 대규모 물동량을 빠르고 효율적으로 처리하기 위하여 창고 관리 및 물류 이송작업의 자동화에 대한 필요성이 증가하고 있다. 그래서 물류창고 관리 시스템(WMS: Warehouse Management System)과 더불어 물류 이송 로봇에 대한 수요도 함께 증가하고 있다. 물류 이송 로봇의 대표적인 사례로 아마존 로보틱스(Amazon Robotics)의 KIVA 로봇이 있다. KIVA 로봇은 물품이 들어있는 선반을 들어 올려 작업자가 있는 공간으로 이동하고, 작업자는 선반 내에 물품을 찾아서 배송한다. 아마존 물류창고에는 수천 대의 KIVA 로봇을 운용하여 하루에 수백만 건의 주문을 처리할 수 있다.

인비아 로보틱스(inVia Robotics)도 다수 모바일 로봇을 활용하여 물류 자율 이송 기술을 개발하였다. 인비아 로보틱스는 모바일 로봇에 석션(Suction) 펌프가 장착된 리프트를 설치하여 선반 대신 물품이 들어있는 상자를 집어 배송한다. MiR(Mobile Industrial Robots)과 오므론(Omron)은 물류 이송이 가능한 자율주행 모바일 로봇(AMR: Autonomous Mobile Robot)을 개발하였다. 물류창고 바닥에 마커를 장착하여 특정 라인만을 따라서 이동하는 AGV(Automatic Guided Vehicle)와는 다르게 AMR은 내장된 환경인식 센서와 SLAM(Simultaneous Localization And Mapping) 기술을 활용하여 자율 충돌을 회피하며 목적지까지 주행할 수 있다. 로커스 로보틱스(Locus Robotics)도 물류 이송 AMR인 LocusBot을 개발하였다. LocusBot은 다른 로봇들과는 다르게 사람과 같은 공간에서 협업하여 오더 피킹(Order Picking) 작업을 수행한다. 사람이 주문받은 물품을 픽업하여 로봇에 장착된 바구니에 담으면 로봇이 목적지까지 이동하여 물품을 운반한다.

로봇의 오더 피킹 작업 이외에도 팔레트 단위 화물 자율 이송 및 상하차를 위한 물류로봇도 개발되었다. AAT Automation, Toyota, Geek plus, Seegrid, Bluebotics 등 상당수 물류 자동화 로봇업체가 스태커 로봇(Stacker Robot)과 AGF(Automated Guided Forklift)를 개발하여 물류 현장에 적용하였다. 다른 물류 자동화 업체는 물류 저장 공간 내부에서 로봇을 운용할 수 있도록 설계하여 저장 공간을 크게 확장하였다. Swisslog의 Autostore는 상자 단위로 물류를 조밀하게 저장하는 공간을 구성하고, 로봇들이 해당 공간 위를 이동하면서 상자 이송작업을 수행한다. Vanderlande의 Adapto 시스템은 물류 저장 공간 내부에 랙(Rack) 사이를 이동하는 선로를 설치하고, 로봇이 선로 사이를 이동, 물류를 이송하는 시스템을 개발하였다.

앞서 소개한 다수 물류 이송 로봇들을 총괄 관리하기 위해서는 로봇 편대 관리 시스템(FMS: Fleet Management System)이 필요하다. FMS는 로봇들과의 네트워크 통신을 유지하면서 로봇들이 서로 충돌 없이 물류 이송작업을 수행하도록 제어한다. 구체적으로 FMS는 사용자로부터 입력받은 작업(팔레트/박스의 운반)을 특정 로봇에게 할당하고 할당된 작업을 수행하기 위하여 다중 로봇들의 경로를 계획하며 계획한 경로를 충돌 없이 이동할 수 있도록 교통제어를 수행한다. KIVA, 인비아 로보틱스, MiR, 오므론, 로커스 로보틱스, Bluebotics 등 모두 개발한 로봇을 운용하기 위한 FMS를 지원한다.

ETRI 본 연구실에서도 다양한 물류 환경에서 효과적으로 로봇 운영이 가능한 새로운 FMS를 개발하였다. 개발 FMS는 그림 1과 같이 위상 지도(Topological Map)를 구성하여 특정 차선을 따라서 로봇이 이동하도록 개발하였다[2]. 그러므로 로봇과 사람이 작업 공간을 공유하는 동적인 환경에서 활용할 수 있으며 다양한 크기 구조의 기존 물류 공간에 효과적으로 적용할 수 있다. 또한, 로봇 주행을 위한 인공표식을 최소화하며 지게차와 모바일 로봇 등 다양한 종류의 로봇에 적용할 수 있다.

그림 1.

ETRI에서 개발한 위상지도 기반 Fleet Management System

대표적인 농기계인 트랙터의 경우, 트랙터의 동력을 이용하는 작업기를 교체하면서 다양한 농작업을 수행한다. ISO 11783 국제표준은 트럭과 트레일러 같은 상용차 관련 표준인 SAE J1939에 기반하여 트랙터와 농림업 작업기 간의 연결을 표준화한 것으로서, 유럽과 미국 등의 농기계 선도업체들이 2001년부터 관련 제품을 출시하고 있다. ISOBUS라 고도 하는 이 국제표준은 SAE J1939에 정의된 센서와 액추에이터 관련 메시지를 포함하며, 고유의 트랙터 정보/제어 메시지와 트랙터에 연결된 작업기의 조작화면 표시를 위한 정보표시장치(VT)와 작업 기록을 위한 정보저장장치(FS) 그리고 농경지 정보 등을 제공하는 농장경영정보시스템(FMIS) 또는 모바일작업기제어시스템(MICS)과의 정보교환을 다루며, 트랙터 운행 중의 복잡한 농작업을 다루는 작업 제어기(TC) 등도 정의한다[3].

14개의 파트로 구성된 ISO 11783 표준문서와 ISOBUS 11783 Online Data Base에서 대기, 주행속도, 자세, 습도, 관성, 토질 관련 센서 및 메시지들이 검색되지만, 이동지능 관련해서는 GPS, DGPS, GNSS와 ‘automatic guidance’와 ‘automatic steering’ 정도만 검색된다.

구체적으로는 N클래스의 트랙터-작업기 인터페이스는 GPS, DGPS 등의 네비게이션(Navigation) 정보를 작업기 버스에 제공할 수 있으며, TECU 버전 2 이상의 G클래스의 경우에 guidance(Steering) system을 트랙터에 장착하면 곡률 등의 guidance 관련 제어와 모니터링과 관련된 모든 파라미터를 제공하고, P클래스는 트랙터 주행속력의 제어와 모니터링에 관한 모든 파라미터를 제공하므로 트랙터에 연결된 작업기 또는 TC가 트랙터를 직접 제어할 수 있다[4].

트랙터가 주행 시 따라야 할 안내 패턴(Guidance Pattern)은 FMIS 또는 MICS에서 XML로 생성되어 경작지 경계 다각형과 함께 TC에 전송되고[5], 이에 따라 작업자가 수동운전을 하거나 작업기 ECU가 트랙터를 제어한다.

GPS에 기반한 트랙터 부착형 auto steer kit 제품군은 FJDynamics 등에서 시중에 출시하였으며, 점차 ISOBUS를 지원하는 추세이다. 자율주행 관련 ISOBUS 제품 동향은 참고문헌[6]에서 상세히 다루고 있다.

ISO 11783은 제조사 전용 메시지(Proprietary Message)를 허용하지만, 정상적인 동작 시에는 CAN 버스 트래픽의 2%를 넘지 않아야 하는 제약이 있다[7]. 또한, CAN에 기반하여 대역폭이 250kbps로 제한된 현재 ISOBUS의 한계를 넘기 위해서 이더넷 기반의 HSI가 개발되어 2022년 3월에 처음 시연되었으나, HSI 개발범위에 원격관찰을 위한 고압축 고성능 카메라는 포함되어 있지만 영상처리용 카메라 스트림은 범위에서 벗어나 있다.

앞서 소개한 바와 같이 로봇 이동지능을 이용한 자동화 적용사례는 확산 추세이다. 로봇 이동지능을 실제 현장에 구현하기 위해서 위치인식, 지도작성, 경로계획 및 제어 등 다양한 기술요소를 통합운영해야 한다[8]. 특히 물류로봇, 농업로봇과 같이 공간인지가 중요한 응용의 경우 작업공간에 대한 체계적인 표현이 필요하다. 또한, 다양한 공간구조와 로봇 종류, 서비스에 포함되는 로봇제어 시스템을 고려하여 상호 호환이 가능하고 공통된 규격에서 운영이 가능한 표준적인 공간표현이 필수적이다.

현재, 로봇공간의 표현은 2차원 공간에 대한 지도 데이터 표현(MDR: Map Data Representation) 표준이 개발되어 실현장에 적용되기 시작하였다[8]. 해당 지도규격은 2차원 실내외 환경을 대상으로 공간을 표현하며 크기와 구조에 대한 제약이 없다.

최근 국내에서 해당 표준의 일부 규격을 현실화하여 단체표준으로 제정을 완료하였다[9].

MDR 표준은 로봇 이동지능을 구현하기 위한 다양한 맵핑 방식을 포괄적으로 지원하는 것으로 크게, 수치(Metric) 지도와 위상(Topological) 지도로 데이터 모델을 구분한다. 수치 지도의 경우, 이산(Discrete) 지도와 연속(Continuous) 지도로 나뉜다. 전자는 현장에서 흔히 사용하는 격자(Grid) 지도이며, 후자는 공간을 점, 선, 면의 기하(Geometric) 요소로 표현하는 기하 지도이다.

지도데이터의 상호교환을 위해 MDR 표준에서는 XML 스키마를 정의하여 지도의 유효성 검사에 사용하고 있다. MDR 표준에 기반하고 실제 현장의 요구사항을 반영한 국내 포럼표준을 적용하여 실제 물류 현장의 공간을 표준데이터모델로 표현할 수 있다[10].

한편, 최근에는 MDR 공간표현모델을 3차원으로 확장한 표준규격의 개발이 진행 중이다(이하, 3D-MDR).

특히, 농업, 국방, 건설 등 다양한 3차원 작업공간을 표현할 수 있도록 규격이 설계되었다. 기존의 MDR 표준과는 다르게 지도데이터의 상호교환을 위해 JSON 스키마를 정의하였다. 3D-MDR에서 다루는 지도데이터 모델은 기존 MDR 표준의 지도데이터 표준과의 호환을 위해 동일한 지도데이터 모델을 사용한다[8].

최근에는 IEEE를 통해 기존의 2D, 3D MDR 표준규격과 호환되면서 공간인식 결과를 표현할 수 있는 시맨틱 지도규격에 대한 표준개발이 착수되었다[11]. 지도는 로봇 이동지능의 구현에 있어서 표준플랫폼 역할을 하는 것이다.

따라서 향후에 시맨틱 지도규격까지 완성된다면, 물류, 농업, 건설, 국방, 서비스 등 다양한 산업현장에서 로봇 이동지능의 구현이 촉진될 것으로 기대할 수 있다.