AI로 산업 자동화 혁신: 완전 지능형 로봇 시스템으로의 도약

완전 지능형 로봇 시스템을 위한 가장 진보된 접근법

AI(인공지능)는 점점 더 많은 비즈니스 프로세스와 산업 애플리케이션의 자동화를 가능하게 합니다. 스마트 자동화의 범위와 속도는 AI 발전과 직접적으로 연관되어 있으며, 최근 몇 년간 비약적인 발전을 이루었습니다. 강력한 3D 머신 비전과 결합된 AI는 로봇이 모든 유형의 객체를 인식, 위치 파악, 핸들링할 수 있게 하여 인간에게 너무 위험하거나 단조롭거나 까다로운 작업을 자동화합니다.

산업 자동화에서 AI란 무엇을 의미하며, 어떻게 작동하며, 현대화, 혁신, 생산성 증대를 추구하는 공장과 기업에 어떤 가능성을 열어주는가? 우선 AI의 태동과 점진적 발전을 살펴보겠습니다.

최초 아키텍처부터 합성곱 신경망까지

AI라는 용어는 단순 통계부터 의사결정 트리, 합성곱 신경망(CNN) 같은 신경망, 강화 학습 같은 더 진보된 접근법까지 다양한 기계 능력과 프로세스를 나타낼 수 있습니다.

AI 개발 역사에서 여러 접근법이 있었지만, 신경망이 일반화 능력 덕분에 가장 유망하고 흥미로운 것으로 입증되었습니다.

1990년대와 2000년대 초반, 신경망은 손글씨 숫자 인식의 첫 성공적 애플리케이션(은행 수표와 우편번호의 숫자 읽기) 덕분에 큰 주목을 받았습니다. 이 신경망은 소위 MNIST 데이터셋(Modified National Institute of Standards and Technology의 약자)으로 훈련되었는데, 이는 머신러닝과 머신 비전에서 이미지 처리 시스템 훈련용으로 사용되는 0부터 9까지 손글씨 숫자 모음입니다. MNIST 데이터셋은 분류 알고리즘 벤치마킹의 기초가 되었으며 오늘날에도 훈련과 테스트 목적으로 여전히 사용됩니다.

이러한 고전적 신경망은 사실상 무엇이든 학습할 수 있지만, 오래된 완전 연결 아키텍처를 가지며 훈련에 많은 시간과 노력이 필요합니다. 한 층의 모든 뉴런이 다음 층의 모든 뉴런과 완전히 연결되어 있기 때문입니다. 즉, 이미지 크기에 따라 학습해야 할 파라미터 수가 엄청나게 많아집니다. 컴퓨터 성능이 시간이 지남에 따라 향상되었지만, 작은 이미지 인식조차 훈련하는 데 매우 오랜 시간이 걸립니다.

AI 개발의 전환점은 합성곱 신경망(CNN)의 도입으로 표시되었습니다. CNN은 주로 시각 이미지 분석, 이미지 분류 또는 패턴 인식에 사용되며 많은 현대 머신 비전 시스템의 중추를 이룹니다. 또 다른 주요 응용 분야는 자연어 처리입니다.

CNN은 매우 느슨하게 말해 뇌의 시각 피질 시스템에서 영감을 받았습니다. CNN의 주된 아이디어는 완전 연결 네트워크처럼 모든 뉴런을 서로 연결하는 것이 아니라, 인접한 뉴런만 연결하여 근접성을 만드는 것입니다. 이웃하는 입력(픽셀 등)은 관련 정보를 담고 있기 때문입니다. 이는 CNN이 여러 층을 가질 수 있고 한 층의 뉴런이 다음 층에서 공간적으로 가까운 뉴런과만 연결됨을 의미합니다. 이로 인해 복잡성, 네트워크 내 뉴런 수, 결과적으로 학습해야 할 파라미터 수가 줄어듭니다. 덕분에 CNN은 더 빠르게 훈련되고, 더 적은 샘플이 필요하며, 더 큰 이미지에도 적용할 수 있습니다.

"합성곱(convolutional)"이라는 용어는 CNN이 패턴을 감지하는 필터링 과정을 지칭합니다. 개별 층은 입력을 합성곱(convolve), 즉 결합하여 결과를 다음 층으로 전달합니다.

CNN 개발 진전은 그래픽 처리 장치(GPU)의 발전으로 가속화되었습니다. 이들의 성능과 연산 능력은 지난 몇 년간 엄청나게 향상되어 CNN 훈련에 새로운 가능성을 열었습니다.

AI 분야에서 가장 인정받는 리더 중 한 명으로, 흔히 "AI의 대부(Godfather of AI)"로 불리는 사람은 제프리 힌턴(Geoffrey Hinton)입니다. 그는 실험 심리학과 인공지능 학위를 가지고 있으며, 이 조합이 인공 신경망 훈련 방법에 대한 훌륭한 통찰을 주었습니다.

2012년 그의 제자 알렉스 크리제프스키(Alex Krizhevsky)가 인간의 뇌가 객체를 인식하는 방식을 모방할 수 있는 CNN을 만들면서 AI의 또 다른 전환점을 만들었습니다. 이 CNN은 알렉스넷(AlexNet)이라는 이름으로 역사상 최초로 기계가 사람처럼 객체를 식별할 수 있게 했습니다.

이 돌파구는 합성곱 신경망을 대중화시키고 CNN이 사용될 수 있는 엄청난 애플리케이션 범위를 보여주었습니다.

합성곱 신경망 훈련

객체 인식에서 CNN이 불변성(invariance)이라는 속성을 갖는 것이 중요합니다. 이는 이동, 관점, 크기, 조명에 불변하여 이미지 내 어디에 어떻게 배치되든 입력 패턴을 해석하고 객체를 분류할 수 있음을 의미합니다. 이를 달성하려면 CNN을 일정량의 예제로 훈련해야 합니다. 데이터셋에서 관련 데이터 양을 늘리는 가장 좋은 방법 중 하나는 데이터 증강(Data Augmentation)입니다.

증강은 입력 데이터, 즉 원본 이미지를 수정하여 약간 변경된 여러 버전을 생성하는 관행입니다. 증강 기법에는 수평/수직 뒤집기, 회전, 스케일링, 크롭, X 또는 Y 방향으로 이미지 이동 등이 포함됩니다.

변형된 데이터로 CNN을 훈련하면 뉴런이 그러한 증강에 면역이 되어 무관한 패턴을 학습하지 않게 됩니다. 뒤집힌 앵무새도 여전히 앵무새로 인식됩니다.

여기서 매우 유용한 것은 소위 전이 학습(Transfer Learning)입니다. 훈련 데이터 양을 줄이기 위해 이미 훈련된 기존 네트워크를 사용하고 그 일부 필터를 새로운 종류의 객체 인식에 적용할 수 있습니다. 예를 들어 개 인식을 위해 훈련된 네트워크의 일부 필터를 유지하고 일부만 수정하여 고양이 인식에 사용할 수 있습니다. 이는 네트워크가 고양이 인식에 적응함을 의미합니다.

모듈형 합성곱 신경망의 이점

CNN의 큰 가치는 아키텍처와 개별 모듈이 단일 이미지 블록을 본다는 사실에 있습니다. 모듈들은 동시에 훈련될 필요가 없으며 쉽게 결합할 수 있습니다. 이러한 잘 훈련된 모듈들을 결합하여 세그멘테이션에 사용될 수 있는 복잡한 아키텍처가 탄생했습니다.

이미지에 무엇이 있는지 인식만 할 수 있는 알렉스넷과 달리, 이러한 복잡한 CNN은 객체 세그멘테이션을 수행하고 이미지 내 객체 위치를 정의할 수 있습니다.

이 모듈성은 다양한 입력 채널 사용을 가능하게 합니다. 즉, CNN이 흑백 데이터에 사용되었다면 컬러 데이터에도 사용할 수 있고, 컬러 데이터에 사용되었다면 깊이 정보로 확장할 수 있습니다. 추가 정보 추가는 CNN의 성능을 향상시키며, 이는 객체와 그 위치의 인식 정확도 향상을 포함합니다.

객체 인식에서 스마트 자동화 솔루션으로

위에서 설명한 합성곱 신경망의 특징과 특성을 바탕으로, Photoneo는 CNN을 자사의 고급 로봇 인텔리전스 시스템과 자동화 솔루션의 기반으로 채택했습니다.

Photoneo의 CNN은 흑백 데이터, 컬러 데이터, 깊이 정보 모두와 작동합니다. 알고리즘은 대량의 객체 데이터셋으로 훈련되었으며 새로운 유형의 아이템을 만나면 빠르게 일반화합니다. 즉, 이전에 "본 적 없는" 객체도 인식하고 분류할 수 있습니다.

예를 들어 상자(box) 개념을 들어보겠습니다. 알고리즘은 대량의 상자 데이터셋으로 훈련되어 상자가 일정한 수의 면, 모서리, 꼭짓점을 가짐을 이해합니다. 이 원리는 알고리즘이 이전에 접하지 못한 상자, 심지어 찌그러지거나 손상된 상자에도 적용됩니다. AI의 가장 큰 가치는 추가 재훈련 없이 훈련된 개념을 일반화할 수 있다는 점에 있습니다.

이를 통해 Photoneo 시스템이 다양한 모양, 크기, 색상, 재질의 아이템을 인식할 수 있게 되었습니다. 이는 혼합 객체(과일, 생선 등 유기물 포함) 위치 파악 및 핸들링, 소포 분류, 상자 적재 팔레트 하역 등 다양한 산업 애플리케이션에 사용되는 로봇 능력입니다.

알고리즘이 훈련된 것과 근본적으로 다른 특징을 가진 객체를 만날 수도 있습니다. 이는 CNN을 혼란스럽게 하여 성능 저하를 초래할 수 있습니다. 이 문제를 해결하려면 이국적인 객체를 예상하여 예방하거나, 좋은 재훈련 시스템을 갖춰야 합니다. 후자의 경우 성능이 일시적으로 낮아지지만 CNN이 빠르게 완전 성능으로 재훈련됩니다.

고객이 특이한 아이템이나 비상업적 제품(산업 부품 등)을 픽업해야 하는 경우, CNN을 이러한 이국적 아이템을 포함한 특정 데이터셋으로 훈련시킬 수 있습니다.

고객 프로젝트 실현 시, 고객은 파일럿 테스트와 타당성 조사를 위한 Photoneo의 CNN을 받아 해당 애플리케이션에 네트워크를 사용할 수 있는지 확인합니다. 이 CNN은 프로젝트 파일럿 단계의 이미지로 추가 개선 및 훈련되어 더 큰 다양성을 제공받을 수 있습니다.

AI 기반 객체 인식 및 픽업의 최대 과제

최대 과제는 픽업 가능한 객체 범위에서 빠진 마지막 퍼즐 조각으로도 설명할 수 있습니다. 이 마지막 조각은 봉투/비닐 봉지(bags)였습니다.

어려움은 봉지의 본질에 있습니다. 봉지는 극도로 변형 가능하고 주름, 접힘, 기타 불규칙성으로 가득 차 있습니다. 봉지가 AI에 제기하는 도전에도 불구하고, Photoneo는 가득 찬, 반쯤 빈, 유색, 투명, 반투명 봉지를 인식하고 픽업할 수 있는 시스템을 개발했습니다. 이 작업은 인간 눈에도 종종 어렵습니다. 혼란스럽게 놓인 봉지들 사이의 경계를 인식하기 어렵기 때문입니다. 특히 투명한 경우 더욱 그렇습니다.

그러나 봉지의 좋은 인식과 위치 파악은 성공적인 객체 픽업의 선결 조건 중 일부일 뿐입니다. 다른 부분은 애플리케이션의 기계적 측면, 즉 로봇 그리퍼와 관련됩니다. 봉지가 주름과 접힘으로 가득 차 있어 그리퍼에서 떨어질 위험이 높습니다. 이 위험은 피드백 기능이 있는 적절한 진공 그리퍼를 사용하여 방지할 수 있습니다.

AI의 미래 발전

최근 몇 년간 AI에서 상당한 발전이 있었음에도 불구하고, 이 분야는 여전히 새로운 성취를 위한 광활한 공간을 제공합니다. 예를 들어 소위 강화 학습(Reinforcement Learning) 이 큰 주목을 받고 있으며, 로봇이 픽업 전 아이템 위치를 조정하는 등 복잡한 움직임을 제안하는 데 매우 유망해 보입니다.

강화 학습은 객체 인식뿐만 아니라 애플리케이션의 기계적 문제에도 대처할 수 있습니다. 즉, 시스템이 아이템을 인식할 뿐만 아니라 보상과 처벌을 기반으로 로봇 행동의 개별 단계를 평가하고 "성공 또는 실패 확률을 계산"할 수 있게 합니다. 달리 말하면 AI 알고리즘은 총 보상을 최대화하는 행동 시퀀스를 만드는 결정을 내리도록 훈련됩니다. 강화 학습의 힘을 보여주는 예로는 바둑 게임 마스터링과 우승이 있습니다.

그 엄청난 잠재력에도 불구하고, 강화 학습은 그것이 설정된 환경과 그것이 가질 수 있는 제약과 밀접하게 연관되어 있습니다. 예를 들어 배치된 그리퍼의 기능과 한계는 항상 시스템의 전반적 성능에 영향을 미칩니다.

AI는 신기술의 주요 동력이며, 그 발전은 시장 수요, 고객 기대, 경쟁 등 여러 요인에 크게 의존할 것입니다.