AI 기반 자율 모바일 로봇으로 제조 효율성 혁신

인공 지능(AI)의 사용이 계속해서 급증하고 있지만, 그 정의와 적용 방법은 응용 분야와 산업 부문에 따라 달라지는 경우가 많습니다. 예를 들어 자율 이동 로봇(AMR)의 세계에서 AI는 데이터를 수집한 다음 데이터 변경에 따라 학습하고 조정하는 시스템의 형태를 취합니다. 본질적으로 이러한 기본 형태의 AI 적용은 데이터 최적화이며 일반적으로 대규모 창고 운영이 아닌 제조/생산 환경에서 발견됩니다.

AMR의 경우 AI는 수집된 데이터를 사용하여 시설 내 자재 흐름을 최적화하는 데 도움을 주며, 이 데이터는 AMR 차량 관리 소프트웨어에 통합됩니다. AI 지원 AMR 차량을 사용하면 크고 부피가 큰 수동 지게차를 민첩하고 효율적인 AMR로 교체할 수 있습니다. AI는 또한 야외, 농업 환경, 냉동 환경 등 더욱 까다로운 응용 분야에서 AMR을 사용할 수 있는 길을 열어줄 것입니다.

AI를 사용하는 차량 관리 소프트웨어는 AMR이 사전 구성된 경로를 따라 취하는 경로를 최적화합니다. 이러한 경로는 시설에서 AMR이 따르기를 원하는 구조화된 경로입니다. 경로에는 충전, 적재, 하역 및 기타 작업을 위한 다양한 노드가 내장되어 있습니다.

사전 구성된 경로를 따라 AMR 함대의 이동을 최적화하는 것은 시설이 물류를 조정하거나 함대를 관리하는 방법입니다. AI 기반 차량 관리 소프트웨어는 시설 전체에 AMR 트래픽을 지시하여 효율적인 흐름을 보장하고 충돌을 방지합니다. 2~3개의 AMR의 경우 이는 상대적으로 간단하지만 함대의 AMR 수가 증가하면 상당히 복잡해집니다.

200대 이상의 로봇이 있는 시설을 생각해 보십시오. 어떤 로봇이 어디로 가고, 어떤 작업을 하는지, 가장 최적화된 활용 방법은 무엇일까? 설정된 경로를 따라 어느 지점에서든 수집된 데이터를 기반으로 오른쪽, 왼쪽, 뒤로 등 결정을 내릴 수 있으므로 로봇이 A 지점에서 B 지점으로 이동하는 방식에 대한 역할을 수행하는 것 외에도 AI는 A 지점과 B 지점에서 발생하는 프로세스도 최적화합니다.

AI 기반 소프트웨어

AI 기능을 갖춘 AMR 차량 관리 소프트웨어의 예로는 KUKA의 모바일 로봇 전문가 시스템(KMReS)이 있습니다. 이 소프트웨어는 전체 AMR 시스템의 포괄적인 차량 관리를 가능하게 할 뿐만 아니라 모든 차량 트래픽을 규제하고 장애물이 발생할 경우 자동으로 일정을 변경하고 리디렉션할 수 있습니다.

AMR 통합을 지원하기 위해 쉽고 직관적인 시스템은 프로그래밍이 아닌 커서를 사용하여 시설에서 설정을 구성할 수 있는 노코드 플랫폼입니다. 이는 순서도를 통해 수행되며 사용자는 소프트웨어가 실행하는 순서도에 서로 연결된 로봇 작업 노드를 만듭니다. 소프트웨어를 사용하여 사용자는 작업 흐름을 생성, 관리 및 편집할 뿐만 아니라 로봇이 처리하는 컨테이너를 모니터링 및 관리할 수 있습니다. 이 모든 기능을 통해 신규 또는 수정된 경로를 빠르고 효율적으로 계획할 수 있습니다. 전문가의 경우 더욱 고급 프로그래밍 옵션을 사용할 수 있으므로 일반적이지 않은 응용 프로그램에서도 소프트웨어를 사용할 수 있습니다.

KMP 1500P 카메라 시스템을 사용하면 공장과 물류센터에서 무거운 화물을 안전하게 자율적으로 운송할 수 있습니다. (이미지 :KUKA)

사전 구성된 경로를 따라 여러 AMR을 관리하는 것 외에도 오늘날의 차량 관리 소프트웨어를 사용하면 해당 AMR이 경로에 있는 예상치 못한 장애물을 피할 수도 있습니다. 마찬가지로, 모바일 로봇 공학에서 AI의 사용이 증가함에 따라 플랫폼은 고급 센서 기술을 사용하여 경로에 있는 물체를 감지할 뿐만 아니라 식별도 하게 됩니다.

기본적으로 AMR은 3D 비전 시스템 및 카메라를 포함한 수많은 센서에 의존하는 하드웨어입니다. 일반 내비게이션 외에도 AI와 함께 이러한 센서 어레이를 사용하여 장애물이 인간인지 아니면 팔레트와 같은 무생물인지 감지할 수 있습니다. 이는 결과적으로 3D 비전 시스템과 카메라 기술이 향상될수록 객체 식별 및 탐색 기능이 더욱 효과적이라는 것을 의미합니다.

로봇 비전 시스템

AI 기반 소프트웨어 외에도 3D 스테레오 카메라는 로봇 비전 시스템 기술 발전에 큰 영향을 미쳤습니다. 이를 통해 로봇은 부품의 위치뿐만 아니라 방향도 인식할 수 있습니다. 3D 스테레오 카메라/비전 시스템은 부품 이미지를 캡처하여 소프트웨어로 전송합니다. 소프트웨어는 해당 이미지를 사용하여 로봇이 선택할 수 있는 실행 가능한 부품을 나타내는 데이터를 추출합니다. 소프트웨어는 이미지를 통해 어떤 부품이 최적의 선택 위치에 있거나 상대적으로 가까이 있는지 평가한 다음 로봇에 결정을 보냅니다.

KMP 1500P의 카메라는 QR 코드도 읽을 수 있습니다. 이는 로봇이 자재를 집거나 떨어뜨리는 핸드오프 지점에서 종종 필요한 더 높은 수준의 정밀도(+/- 5mm의 위치 정확도)에 도달하는 데 사용될 수 있습니다. QR 코드 내비게이션에서는 SLAM(Simultaneous Localized and Mapping) 지도를 소프트웨어에서 경로 설정을 위한 참조로 사용하고, QR 코드를 시설 바닥에 배치하여 내비게이션에 사용합니다. QR 코드를 사용하는 이유는 무엇인가요?

시설의 일부 구역에 환경이 자주 변화하는 공장을 생각해 보십시오. SLAM 내비게이션 작동을 위해 물리적인 기능을 추가하는 대신 해당 시설에서는 QR 코드를 사용하여 해당 영역에서 로봇을 탐색할 수 있습니다.

KMP 1500P 카메라 시스템을 사용하면 공장과 물류센터에서 무거운 화물을 안전하게 자율적으로 운송할 수 있습니다. 민첩한 드라이브 시스템을 갖춘 KMP 1500P는 복잡하고 역동적인 환경을 탐색하고 변화하는 요구 사항에 적응하며 자재 흐름을 최적화할 수 있습니다. 이는 운영에 민첩성과 다양성을 제공하여 궁극적으로 기업이 변화하는 시장 요구에 신속하게 대응하고 더 높은 생산성을 달성하는 데 도움이 됩니다.

고급 휠 및 드라이브

AMR의 유연성과 기동성은 고급 휠 및 구동 기술의 출현 없이는 불가능합니다. 이러한 두 가지 발전에는 KUKA의 전방향 플랫폼 휠과 diffDrive 차동 구동 기술이 포함됩니다. KMP 1500P AMR에 탑재된 diffDrive는 서로 반대되는 중앙에 위치한 2개의 구동 휠과 각 모서리에 4개의 캐스터형 휠을 사용합니다. 이 시스템을 사용하면 AMR이 단일 지점에서 회전하고 회전할 수 있습니다.

전방향 구동 기술은 메카넘 휠을 기반으로 하며 무제한의 기동성을 위해 완전한 360도 이동 자유를 제공합니다. 전기 모터로 구동되며 일반적으로 서로 독립적으로 움직이는 45도 각도로 장착된 2개의 림과 9개의 자유롭게 움직이는 롤러로 구성됩니다. 이를 통해 자동화된 플랫폼이 앞뒤로 이동할 수 있을 뿐만 아니라 대각선으로도 이동할 수 있습니다. 기본적으로 비행기의 모든 이동은 조향 없이 가능합니다.

차동 구동 시스템은 동작 방향을 변경하기 위해 AMR/플랫폼을 회전해야 하는 반면, 전방향 구동 시스템은 플랫폼의 방향을 변경하지 않고도 모든 방향으로의 동작을 허용합니다.

이 소프트웨어는 전체 AMR 시스템의 포괄적인 차량 관리를 가능하게 할 뿐만 아니라 모든 차량 트래픽을 규제하고 장애물이 발생할 경우 자동으로 일정을 변경하고 리디렉션할 수 있습니다. (이미지 :KUKA)

또한 로봇 측에서는 차량 자체 탐색 및 차량 관리 소프트웨어와 통신하는 데 필요한 추가 소프트웨어(운영 체제)가 작동합니다. 로봇에는 안전과 기본 주행 제어를 위한 소프트웨어도 포함됩니다. 로봇 비전 시스템은 카메라 이미지를 처리한 다음 해당 시각적 정보를 기반으로 로봇의 동작을 지시하는 이 소프트웨어와 함께 작동합니다.

고급 비전 시스템은 AMR에 말하자면 "시각" 능력을 제공하는 반면, AI를 사용하면 물체를 식별하고 공장 현장에서 탐색하는 방법을 최적화할 수 있습니다. 수집된 데이터와 AI를 사용하여 현재 AMR 차량 관리 소프트웨어는 시설 내 자재 흐름을 보다 효과적으로 제어합니다. 이러한 기능은 이러한 시설에 기존 자재 취급(예:지게차)에 대한 실행 가능한 대안을 제공하고 AMR을 더욱 까다로운 다양한 응용 분야에 적용할 수 있는 기회를 열어줍니다.

이 기사는 KUKA Robotics(미시간주 스털링)의 고급 로봇 응용 분야 지역 책임자인 Denise Strafford가 작성했습니다. 자세한 내용을 보려면 여기를 방문하세요.  .