📌 핵심 요약 (Key Takeaways)
- 핵심 성과 1: CAD 모델로부터 위상·기하학적 제약조건을 자동 추출하여 AND/OR 그래프 형태의 조립 구조화 데이터 파이프라인 구축
- 독창적 차별점 2: HMM 및 POMDP 기반 확률론적 잠재 상태 모델을 결합하여 사전 주석 데이터 의존성을 제거하고 런타임 의도 추론 성능 극대화
- 실무 파급력 3: 다품종 소량 생산(High-mix, low-volume) 제조 환경에서 유연하고 적응적인 인간-로봇 협업(HRC) 백엔드 아키텍처 제시
1. 도입: 다품종 소량 생산 환경과 인간-로봇 협업(HRC)의 시스템적 과제
현대 제조업은 고정된 작업 순서와 결정론적 제어에 기반한 전통적 자동화 패러다임에서 벗어나, 급격한 공정 변화와 다품종 소량 생산(High-mix, low-volume)에 대응할 수 있는 유연성을 요구하고 있다. 변동성이 높은 환경에서는 완전 자동화된 시스템의 효율성이 급감하므로, 인간 작업자의 적응적 추론 능력과 로봇의 반복 정밀도를 결합하는 인간-로봇 협업(Human-Robot Collaboration, HRC)이 핵심 아키텍처 요건으로 부각된다.
그러나 공정의 순서, 타이밍, 작업 할당이 실행 중에 동적으로 발생하는 환경에서는 로봇이 작업자의 행동을 명시적으로 예측하고 지원해야 하는 심각한 시스템 제약이 발생한다. 작업자의 의도는 본질적으로 적응적이고 맥락 의존적이며 부분적으로만 관측 가능하므로, 이를 실시간으로 처리할 수 있는 견고한 데이터 및 제어 아키텍처 설계가 필수적이다.
2. CAD 데이터 기반 조립 공정 자동화 및 지식그래프(AND/OR Graph) 아키텍처
본 연구는 효과적인 HRC를 위해 구조화된 도메인 지식과 확률론적 모델링을 결합하는 하이브리드 아키텍처를 제안한다. 첫 번째 핵심 축은 제품 설계 데이터(CAD)로부터 조립 공정의 구조를 자동 추출하고 표현하는 오픈소스 조립 기획 프레임워크의 구축이다.
시스템은 CAD 모델로부터 제품 및 조립 정보(Designer Intent)를 파싱하여, 실행 가능한 조립 시퀀스를 AND/OR 그래프 형태의 구조화된 데이터로 생성한다. 이 그래프는 위상학적, 기하학적, 기술적 제약조건을 포괄하여 기계가 해석 가능한 형식적 설명을 제공하며, 로봇이 작업자의 가능한 행동과 공정 진행 단계를 논리적으로 추론할 수 있는 기반 데이터 구조를 형성한다.
3. 확률론적 모델링: HMM 및 POMDP 기반 런타임 의도 추론 파이프라인
구조화된 지식 베이스를 바탕으로 한 두 번째 핵심 기여는, 작업자의 의도를 시간에 따라 진화하는 잠재 확률 프로세스로 인코딩하는 확률 모델의 개발이다. 은닉 마르코프 모델(HMM)과 부분 관측 마르코프 결정 프로세스(POMDP)를 기반으로 한 4가지 모델 인스턴스화 방식이 도입되었다.
이 모델들은 인간 행동에 내재된 불확실성, 시간적 종속성, 부분 관측 가능성을 효과적으로 처리한다. 특히 CAD 기반 조립 구조로부터 모델이 자동으로 구축 및 초기화되므로, 방대한 수동 주석 학습 데이터(Annotated training data)에 대한 의존성을 크게 낮추고 새로운 제품 변형에 대해 신속하게 시스템을 재구성(Reconfiguration)할 수 있다.
운영 단계(Run-time)에서는 의도 인식을 예측 문제(작업자의 다음 행동 추정) 또는 필터링 문제(현재 진행 중인 작업 단계 추론)로 정식화한다. 특히 POMDP 기반 아키텍처는 신념 의존적 정책(Belief-dependent policies)의 연산을 가능하게 하여, 로봇이 추론된 작업자의 의도와 실시간으로 동기화된 최적의 지원 행동을 자율적으로 선택하도록 구동한다.
유사 선행 연구 대비 독창성 및 성능 비교
| 비교 항목 | 기존/유사 논문 방식 | 본 연구의 제안 방식 | 실무적 차별성 및 한계 |
|---|---|---|---|
| 공정 지식 획득 | 수동 코딩 및 전문가 의존적 시퀀스 정의 | CAD 모델 파싱을 통한 AND/OR 그래프 자동 생성 | 신제품 도입 시 엔지니어링 오버헤드 획기적 절감 |
| 데이터 의존성 | 대규모 모션 캡처 및 주석 데이터셋 필요 (ML 기반) | CAD 구조 기반 HMM·POMDP 자동 초기화 | 사전 학습 데이터 부족 환경에서도 즉시 배포 가능 |
| 런타임 의도 추론 | 단순 실시간 제스처 분류 및 반응적 제어 | 확률적 상태 추정 및 신념 기반 정책 최적화 | 작업자의 불확실한 행동 맥락을 반영한 선제적 지원 |
| 확장성 및 복잡도 | 공정 복잡도 증가 시 상태 공간 폭발 문제 발생 | 계층적 그래프 구조로 관리하나 대규모 실시간 연산 한계 존재 | 복잡한 대규모 조립 공정 적용 시 실시간성 최적화 추가 필요 |
4. 산업 현장 적용 포인트 및 파급 효과 (Paper-to-Industry)
본 연구에서 제안하는 설계-시간 지식 획득과 런타임 의도 추론의 통합 아키텍처는 스마트 팩토리, 첨단 제조 라인, 복잡한 인프라 조립 공정 등 다양한 하이테크 산업 현장에 직접적인 실무 파급 효과를 제공한다.
첫째, 백엔드 데이터 파이프라인 관점에서 CAD 메타데이터를 로봇 실행 제어 레이어로 직접 변환하는 브릿지를 제공함으로써, 이종 시스템 간의 통합 비용을 대폭 절감한다. 둘째, 다품종 소량 생산 체제에서 매번 새로운 제품 라인업에 대해 로봇 프로그램을 재작성할 필요 없이, CAD 도면 업데이트만으로 협업 로봇의 공정 지식을 동적으로 갱신할 수 있는 유연성을 확보한다.
결론적으로 본 아키텍처는 향후 확장성 높은 분산 제어 시스템과의 결합 및 실행 수준의 코디네이션 메커니즘 고도화를 통해, 인간 중심의 차세대 지능형 로보틱스 및 제조 자동화 백엔드 인프라의 표준 모델로 자리잡을 것으로 전망된다.
출처: KU Leuven Lirias – Intentiebewuste mens-robotsamenwerking bij assemblage