제4차 산업혁명 시대의 물류 및 배송 로봇을 위한 자율주행, 위치 추정, 물체 인식 및 조작 기술의 현황과 과제 doc_id PCY_202003161119037551_1

제4차 산업혁명은 한층 발전된 정보통신기술 (ICT)과 기존 산업 분야의 융합을 통해 지능화, 자동화, 그리고 연결성이 극대화된 산업 환경의 변화를 의미한다. 인공지능, 사물인터넷, 빅데이터, 로봇, 자율주행, 클라우드 컴퓨팅 등이 제4차 산업혁명의 주요 기술 동력으로 알려져 있고, 그 중 인공지능은 가장 핵심적인 기술로 꼽힌다. 로봇 분야도 한 단계 더 진보된 인공지능 기술과 관련 ICT 기술의 발달을 바탕으로 새로운 제품과 시장을 모색 하고 있다. 로봇은 그 기능에 따라 산업용로봇(Industrial robot)과 서비스로봇(Service robot)으로 구분된다. 산업용로봇(또는 제조로봇)은 대량생산과 공장자동화로 대변되는 과거의 사회적 요구와 기술 발전에 힘입어 크게 성장하였고, 여전히 세계 로봇 시장에서 과반을 넘는 큰 비중을 차지하고 있다. 개인용컴퓨터(PC) 시대의 도래와 같이 1990년대부터 많은 사람들은 서비스로봇, 특히 개인서비스로봇(Personal service robot)의 시장이 폭발적으로 성장할 것으로 예상하였다. 그러나 청소로봇을 제외하고는 여전히 킬러 애플리케이션이 부재하고, 로봇 시장에서 차지하는 비중도 미미하다. 하지만, 앞서 언급한 Amazon 물류로봇과 유사 주행 기술은 창고와 같이 제한되고 구조화된 공간을 벗어나 사람이 함께 생활하는 병원이나 호텔과 같은 혼잡한 환경에 적용할 수 없다. 또 바닥이나 천장에 부착된 바코드와 같은 인공표식(Artificial landmark)은 심미적인 이유로 설치를 기피하는 경 우가 많다. 따라서 장애물을 감지하고 회피하며 인공표식이 아닌 공간에 내재된 자연표식(Natural landmark)을 이용하여 로봇의 위치를 추정하여야 한다. 미국 Aethon의 TUG는 병원에서의 물건을 나르는 작업을 수행하는 대표적인 상용화된 로봇이다. TUG는 사전에 제작된 로봇용 공간지도와 레이저센서(이하 LiDAR) 데이터를 이용해 전역위치추정을 수행한다. 학계에서 널리 알려진 MCL 기법을 통해 위치를 추정하는 것으로 보인다. 또 장애물을 감지하여 회피하는 것도 가능하다. 안전성을 위해 LiDAR뿐만 아니라 초음파/적외선센서, 범퍼센서를 탑재하여 로봇 전방의 180°의 장애물을 모두 감지 가능하다. TUG는 (로봇팔 없이) 병원의 엘리베이터나 자동문을 별도의 장치로 원격 제어하는 것이 특징이다. 카메라는 가장 쉽고 저렴한 비용으로 구할 수 있는 센서로 한 장의 영상을 이용해 카메라의 현재 위치를 추정하는 영상기반 장소인식(Visual place recognition) 기술과 연속된 영상을 통해 카메라의 이동궤적을 추적하는 영상기반 오도메트리(Visual odometry) 기술, 그리고 이 둘을 융합한 형태로 구분할 수 있다. DBoW2는 전통적인 접근을 따르는 장소인식 기술로 영상에서 추출한 지역적 특징점(Local salient feature)을 장소의 단서, 즉 bag-of-words(BoW)로 모델링하여 장소를 인지하는 기법이다. ORB-SLAM2는 ORB라는 지역적 영상 특징점을 이용하는 전통적 기법의 오도메트리 기술과 장소인식 기술이 융합된 SLAM 기술이고, DSO은 영상 특징점의 추출 없이 영상의 각 픽셀값을 바로 사용하는 오도메트리 기술이다. Google의 실외 영상기반 위치인식 기술인 Visual Positioning Service(VPS) 또한 영상 특징점을 이 용한 전통적인 접근의 한 예이다. 로봇팔을 이용한 물체의 조작을 위해서는 물체를 인지하는 것뿐만 아니라 물체의 3차원 형태도 알아야 한다. 이를 위해서는 일반 카메라보다는 깊이(Depth) 데이터도 동시에 획득할 수 있는 RGB-D 카메라를 이용하는 것이 일반적이고, 관련하여 Point Cloud Library(PCL)이나 MoveIt과 같은 오픈소스 프로젝트가 활발히 진행 되고 있다. 물체 또는 장애물을 인지하는 것 외에 실외에서 이동하는 배송로봇은 보도와 같이 로봇이 주행 가능한 영역을 인지하는 것도 필요하다. LiDAR를 이용해 연석(curb)을 검출할 수 있지만 도로와 보도의 경계가 불분명하지 않은 경우 실패할 수 있다. 따라서 LiDAR의 거리 감지 데이터 외에 영상 데이터를 활용할 수 있다. 딥러닝 접근을 이용한 SegNet은 CNN으로 영상 인코딩하고 영상 내영역의 의미(semantic)를 디코딩하는 네트워크 구조를 통해 영상 내 지면과 나무, 표지판과 같은 지물과 사람, 자동차 등과 같은 물체를 구분할 수 있는 의미적 영상분할(Semantic segmentation) 기술이다. 물체의 종류와 형태, 그리고 로봇이 이동 가능한 영역을 인식하는 것은 물류/배송로봇의 자율주행과 물체 조작에 매우 중요한 기능이다. 자율주행 중 경로상의 물체, 즉 장애물을 인지하는 기능은 LiDAR나 깊이카메라를 통해 쉽게 구현 가능하다. 또한 Starship의 배송로봇과 같이 일반 카메라와 영상기반 물체인식을 통해 이를 대체가 능한데, 이를 위해서는 정확하고 실시간으로 동작하는 영상기반 물체인식 기술이 필요하다. 딥러닝을 이용한 물체인식 기술은 기존 기술들에 비해 높은 인식 성능을 보이고 있고, YOLO(You Only Look Once)나 SSD(Single Shot MultiBox Detector) 와 같은 기술은 딥러닝 기술에 문제가 되었던 실시간 동작 문제도 해결하였다. Starship이나 Amazon Scout과 같은 배송로봇도 유사한 딥러닝 기술이 적용되었을 것으로 생각된다. 물류이송로봇의 대표적인 예는 앞서 설명한 미국 Amazon Robotics(구, Kiva Robotics)의 물류이송로봇이다. Amazon의 물류로봇은 최신의 기술로 일반적인 물류이송 상황에서 필요한 복잡한 문제를 완벽히 풀기보다 주어진 상황을 단순화하고 경제적이고 적정한 기술을 도입하여 문제를 해결한 것이 가장 큰 특징이다. 이는 로봇시스템을 단순화하고 로봇의 도입과 유지비용을 낮춰 Amazon이 수만 대의 로봇을 운용할 수 있는 이유가 된다. 예를 들어, Amazon의 물류로봇은 기술적으로 복잡하고 어려워 자동화가 힘든 물체인식 (Object recognition) 및 파지(Grasping), 포장 등의 조작 기능은 사람이 담당하고, 물건이 담긴 팔렛(Pallet)을 이송하는 작업에만 집중한다. 또한 주행기술 중 가장 중요한 전역위치추정(Localization)은 사전에 바닥에 부착된 2차원 바코드를 통해 해결한다. 또한 옮겨야 할 물건이 담긴 팔렛도 팔렛에 부착된 2차원 바코드를 통해 이뤄진다. 로봇은 바코드로 이뤄진 로봇 길을 통해서만 이동하며, 장애물 회피를 하지 않고, 사람이 로봇 이동 영역에 진입하고자 할 때 버튼을 통해 모든 로봇을 정지시키는 방식을 사용한다. 물류로봇에서 조작 기술, 즉 물건을 집어 옮기는 작업은 물건의 크기와 형상, 무게, 재질이 상이한 경우가 많기 때문에 물건을 인지하고, 이를 실제 집는 것(Picking)은 앞서 언급한 자율주행에 비해 상대적으로 복잡하고 어려운 문제이다. 따라서 Amazon의 물류로봇은 이러한 조작 작업을 사람이 수행하고, 물건을 이송하는 작업만 로봇이 수행하는 형태로 로봇의 역할을 단순화하였다. 그러나 노동 환경 개선과 보다 효율적인 물류 처리에 대한 요구에 많은 관련 기술이 개발/연구되고 있다. Amazon은 ICRA 2015 학술대회에서 Amazon Picking Challenge를 개최하여 이러한 연구를 독려하였다. Amazon Picking Challenge는 20분 동안 로봇이 정해진 물건들을 팔렛에서 찾아 집고, 로봇이 직접 포장상자까지 이동하여 이를 상자에 넣는 미션을 수행하게 된다. 따라서 대회에서는 물건을 인지하는 기술과 임의의 형태를 가진 물체들을 집는 기술이 중요하고, 이러한 문제는 현재 Amazon의 물류로봇이 풀지 못한 부분이다.