일본산업뉴스요약

Nikkei X-TECH_2021.6.18

자율이동 로봇에게 악조건인 건축 현장
PFN, 가시마와 고난도 건축 현장에 도전

심각한 노동력 부족과 코로나19 사태에서의 3밀 회피 수요로 인해, 사람과 협동하는 서비스 로봇의 현장 도입이 물류∙공장∙오피스빌딩∙레스토랑 등 많은 업계에서 본격화되고 있다.

그러나 로봇을 도입하고 싶어도 현실적으로는 신경 쓸 부분이 많아 사람이 작업하는 편이 오히려 편하다거나, 비용과 걸맞지 않는다는 이유로 도입하지 못하는 현장도 있다. 그 하나가 건축 중인 빌딩 현장이다. 그러나 그 장벽을 돌파한 로봇이 등장했다. 일본을 대표하는 AI(인공지능) 기술 개발 기업인 PFN(Preferred Networks)과 가시마가 공동으로 개발했다. 건축 현장용 청소 로봇 ‘raccoon(라쿤)’이다.

raccoon은 건축 현장에서 청소 루트를 사전에 지정하는 교육을 하지 않아도, 스스로 청소 가능 구역을 탐색하면서 자율 이동하며 작업한다. 100분의 연속 가동으로 500㎡의 구역을 청소할 수 있다. 이미 가시마가 시공하는 수도권의 빌딩 현장 3곳에서 실증실험을 실시, 많은 현장에 본격적인 도입을 위해 개발을 계속하고 있다.

자율이동 로봇은 빌딩 청소나 경비, 관내 배송 등 많은 용도로 이미 실용화되고 있다. 완성된 빌딩 내부를 LiDAR(Light Detection And Ranging)로 제작한 지도 정보를 바탕으로 자기 위치를 추정하며 자율 이동하는 것은 기술적으로는 그다지 어려운 것은 아니다. 그러나 건축 중인 빌딩은 이야기가 다르다. 개발책임자인 PFN의 사루타(猿田) 씨가 “기술적으로 상당히 어렵다”라고 말한 것처럼, 어떤 의미에서는 자율 이동 로봇에게는 악조건을 모두 갖춘 현장인 것이다.

-- 로봇은 변화에 약하다 --
가시마에 따르면, 건축 현장에서는 통상 하나의 작업이 끝날 때마다 청소가 필요하기 때문에 많은 현장에서는 주에 1회 정도 청소를 한다고 한다. 물론 대부분 수작업이다.

“건축 현장에서는 먼지나 분진, 작업에 따라 항상 쓰레기가 발생한다. 위험한 곳도 많다. 때문에 청소 로봇은 일단 안전하게 움직이는 것이 첫째 조건이다. 또한 교육 등의 복잡한 조작이 필요 없고, 자율적이고 안정적으로 가동하는 것이 중요하다. 손이 많이 간다면 사람이 직접 청소하는 편이 빠르다”(가시마).

건축 현장에서는 GNSS(위치정보서비스)에 의한 위치 계측이 불가능한 실내 작업이 많다. 바닥에는 자재나 케이블이 깔려 있고, 기계나 고소 작업차 등이 놓여 있는 경우도 많다. 공사 진척에 따라서 상황도 변화한다. 또한 바닥에 단차가 있기도 하고 벽이 없는 개구부 같은 위험한 구역도 있다. 조명 조건이 나쁜 경우도 많다. 그럴 때는 카메라 이미지를 이용해 환경을 인식하기가 어렵다.

지금까지도 건축 현장 용 청소로봇은 있었다. 그러나 사전에 교육이 필요하거나 출입금지 구역을 자동으로 인식하지 못하는 등, 현장의 높은 요구에 부응할 수 있는 로봇은 없었다. “로봇을 이용하는 이점을 누리지 못했다. 예를 들면 미리 청소 영역의 네 귀퉁이에 반사판을 설치해야 하는 등 사전 준비 작업이 필요했다. 또한 청소 영역에 장해물 등이 있다면 그것을 제대로 피하지 못하고 로봇이 멈추는 등의 과제가 있었다”(가시마).

이번 개발은 PFN이 가시마로부터 수주하고, 탑재할 센서의 선정이나 자율이동 알고리즘 등 소프트웨어 개발을 담당한다. 기존의 수동 청소 로봇을 개조했다. 중핵 기술은 raccoon에 탑재한 건축 현장 내를 자율이동하기 위한 시스템 ‘iNoh’에 있다. PFN의 특화 기술인 심층학습 기술을 이용해 현장 환경을 인식하고, 동시에 정확하게 자기 위치를 추정함으로써 다양한 장해물을 검출∙회피하면서 이동한다. PFN에서는 앞으로 iNoh를 청소 로봇뿐 아니라 건축 현장용 순찰 로봇이나 운반 로봇에 설치하는 것도 검토하고 있다.

그럼 PFN은 얼마나 건축 현장에서 고난도 요건을 클리어했을까?

-- 10만장 이상의 이미지로 심층학습 --
장해물이나 위험 구역이 있고, 공사 진척에 따라서 상황이 변화하는 건축 현장을 자율이동 로봇이 안전하게 주행하기 위해서는 정확한 자기 위치 추정과 주변 환경 인식이 필수다. 이 2개를 실현하지 못하면, 장해물을 회피한 작업 루트를 실시간으로 자동 생성하지 못하기 때문이다.

PFN에서는 로봇이 탑재된 복수의 센서 정보를 통합해서 고정밀도 SLAM(자기위치 추정과 공간 매핑)을 실현하고, 동시에 심층학습으로 방대한 현장 데이터를 학습함으로써 시시각각 변하는 현장의 정확한 환경 인식에 성공했다.

raccoon에는 많은 센서가 탑재되어 있다. 전방 주위를 보는 어안카메라, 자신 주위를 감지하는 2대의 거리 이미지 카메라, 3차원 LiDAR와 2차원 LiDAR가 하나씩, 장해물을 감지하는 초음파 센서 4개, 단차를 감지하는 ToF(Time of Flight) 센서 5개, 그리고 IMU(관성계측장치) 등이다.

이들 카메라 이미지, LiDAR, IMU의 정보 등을 바탕으로 자율이동하기 위한 알고리즘을 개발했다. 고정밀도, 실시간 처리를 통해 비용도 실용 레벨로 억제한 점이 특징이다. 자기 위치 추정 정밀도는 주행 거리에 따라서 발생하는 오차인 ‘트랜슬레이션 오차’에서 1%를 밑돈다. “이 숫자는 건축 현장의 데이터를 사용해서 당사가 참값 데이터를 취득한 케이스의 숫자다. 개방형 데이터 세트를 사용한 세계 최고의 방법에서도 0.5% 정도이기 때문에, 이것이 난이도가 높은 건축 현장의 숫자라는 것을 고려하면 상당히 높은 레벨이라고 생각한다”(PFN).

한편, 환경 인식에 대해서는 어안카메라의 이미지에 ‘무엇이’ 찍혀 있는가를 화소 단위로 의미 인식하는 Semantic Segmentation과, ‘어디에’ 찍혀 있는가를 3차원적으로 구조 인식하는 Depth 추정을 실시, 이 2개의 결과를 통합하고 있다. 즉, 3차원 SLAM으로 주위에 있는 물체의 모양을 인식할 뿐 아니라, 이미지로서 보이는 영역의 어디에 무엇이 있는지를 인식해서 루트 결정 판단에 이용하고 있는 것이다.

Semantic Segmentation의 학습에서는, 어안카메라로 촬영한 건축 현장의 수만 장의 이미지 등에 어노테이션(Annotation)을 실시해 이용했다. 한편, Depth 추정 학습에서는 10만 장 정도의 건축 현장 이미지를 이용했다. 이것들은 기본적으로 자율학습을 했지만 일부 예외도 있다. raccoon에는 어안카메라도 3차원 LiDAR도 전방에 탑재되어 있다. 그래서 어안카메라의 시야 내에서 3차원 LiDAR를 사용해 거리 정보를 취득할 수 있는 부분에 대해서는 그 데이터를 사용해서 지도학습을 실시했다고 한다.

-- 회전에 대한 정밀도 향상에 개선의 여지 --
개발에서도 특히 어려웠던 것이 현장 변화에 대한 대응이다. SLAM에서는 기본적으로 이미지 프레임 사이에서의 변화량을 통해 센서 간 상대위치 자세를 추정한다. 때문에 이미지의 다이내믹 레인지가 변화하거나, 구조물이 비연속으로 변화(벽이 나타나는 등)하면, 그 추정이 상당히 곤란해진다. 예를 들면, 건축 현장에서는 벽이 없는 개구부가 있어 햇살이 들어와 다이내믹 레인지가 급격하게 변화하는 일도 많다. 그래서 다양한 센서에서 얻는 정보 중에서 추정에 기여하지 않는 데이터는 사용하지 않도록 하는 연구를 진행했다.

그럼 raccoon은 각각 상황이 다른 건축 현장에서 가동시킬 때, 어디서나 교육 없이 자율이동이 가능한가? 이에 대해 PFN은 “Semantic Segmentation에 관해서는, 그것을 목표로 개발을 계속하고 있는 단계다. 실현을 위해서는 다양한 건축현장∙공정에서 데이터를 더욱 수집할 필요가 있다. 실제로 추진하고 있다”(PFN). 한편, Depth 추정에 관해서는 이미 어떤 건축 현장에 가지고 가더라도 어느 정도 움직이는 상태라고 한다.

향후 기술 과제로서 생각하는 것은 ‘회전에 대한 정밀도 향상’이다. 일반적으로 SLAM에서는 프레임 간에서 센서 정보가 크게 변화하면 난이도가 높아진다. 회전 시에는 병진 이동 시보다 카메라로 포착할 수 있는 이미지 정보가 크게 변화하기 때문에 프레임 간에서의 상대위치 자세 추적이 어려워진다. “정보를 높이기 위해서는 어안카메라를 이용해 넓은 시야의 정보를 이용하고, 동시에 IMU의 정보에서 얻어지는 각속도 등의 이용 방법을 더욱 연구해서 정밀도를 향상시킬 예정이다”(PFN).

가시마에 따르면, 현시점에서 raccoon에는 ‘강건성(Robustness)에는 아직 과제가 있다고 한다. 뒤집어 말하면 어느 현장에 가지고 가더라도 사람이 거의 신경을 쓰지 않아도 되는 레벨까지는 아직 도달하지 못한 것 같다. PFN는 앞으로도 가시마의 건축 현장에서 검증을 계속한다. 최종적으로 대부분의 현장에 도입할 수 있는 로봇을 목표로 개발해 나간다.

 -- 끝 --

Copyright © 2020 [Nikkei XTECH] / Nikkei Business Publications, Inc. All rights reserved.