Ines Ugalde Diaz | Siemens 올해의 발명가 | 신인 부문
사람에게는 쉽지만 로봇에게는 매우 어려운 작업이 있으며, 빈 피킹이 바로 그러한 작업 중 하나입니다. 예를 들어, 로봇은 택배 더미처럼 분류되지 않고 무질서하게 쌓여 있는 개별 부품이 담긴 빈(bin)에서 단일 부품을 집어 올릴 수 있어야 합니다.
Ines Ugalde Diaz와 미국 버클리에 위치한 그녀의 팀은 6년 넘게 로봇 제어 시스템을 개발해 왔으며 현재까지 40개 이상의 발명을 수행하였습니다. Ines Ugalde Diaz는 다양한 로봇 그리핑 툴에 맞춰 유연하게 수정할 수 있는 빈 피킹 솔루션으로 2024년 올해의 발명가 신인 부문을 수상하였습니다. 이 특정 발명은 차세대 Siemens SIMATIC Robot Pick AI의 토대가 되었기에 선정되었습니다. Pick AI는 2024년 봄 독일 하노버 박람회를 비롯한 수많은 전시회에서 소개되었습니다.
많은 로봇은 진공을 형성하여 물체를 잡습니다. 로봇은 엔드 이펙터(end effector)라 불리는 팔 끝 부분에 하나 이상의 흡착 컵을 사용하여 대상 물체에 진공을 가합니다. 이를 위해 흡착 컵은 최적의 평평하고 매끄러우며 기공이 없는 표면에 안착해야 합니다. 흡착 패드는 직사각형 또는 정사각형 베이스를 기반으로 하나 이상의 흡착 컵을 포함하며, 다양한 크기와 모양의 변형 모델이 존재합니다.
Ines Ugalde Diaz는 "Siemens의 새로운 발명은 다양한 크기와 배열의 진공 그리퍼 사용을 용이하게 하며, 고객이 원하는 사양을 직접 결정할 수 있습니다"라고 설명합니다. "이는 경쟁사와 차별화되는 Siemens 제품만의 매우 독특한 측면입니다."
무질서한 빈 내부에서 개별 부품들은 임의의 방향으로 서로 겹쳐져 있습니다. 로봇은 먼저 이 혼돈 속에서 구조를 인식해야 합니다. 즉, 부품이 시작되고 끝나는 지점을 식별하고 배치 상태를 파악하여 안정적으로 잡을 수 있는 위치를 찾아야 합니다. 상자의 현재 상태에 대한 필수 데이터는 3D 카메라를 통해 제공됩니다. 이미지 내 개별 객체를 구별하도록 학습된 AI 알고리즘은 로봇 팔 제어를 위한 토대를 마련합니다.
이번 수상작은 장면 이해(scene understanding), 특히 빈과 개별 객체를 구별하는 기술을 기반으로 합니다. 이는 일반적으로 머신 러닝 및 컴퓨터 비전의 표준 문제인 "인스턴스 분할(instance segmentation)"로 불립니다. 이 작업을 위해 수백만 개의 예시를 학습하여 이점을 얻은 사전 학습 모델이 이미 많이 존재합니다. 그러나 이러한 모델은 성능은 우수하지만 너무 범용적이어서 실제 빈 피킹 시나리오에서는 오류가 발생합니다. Ines Ugalde Diaz와 그녀의 팀은 기존 Pick AI 로봇 셀의 실제 데이터와 같은 특정 데이터 세트에 대한 추가 학습을 실시하여 이러한 표준 솔루션의 성능을 만족스러운 수준으로 향상시켰습니다.
Ines Ugalde Diaz는 "Siemens의 솔루션은 합성 및 실제 소스 모두에서 확보한 방대한 데이터 세트를 학습했기 때문에 모든 고객 현장에서 작동하도록 설계되었습니다"라고 말합니다. "상자, 병, 가방은 물론 플라스틱 포일로 감싸인 부품도 매우 정밀하게 처리합니다. 원칙적으로 고객은 운영 성능 저하를 겪지 않아야 하지만, 만약 발생할 경우 모델이 실패 사례로부터 학습하도록 할 수 있습니다. 이는 Siemens의 제품 전략 중 일부입니다. Siemens는 로봇 플릿의 대규모 데이터 세트를 Siemens 클라우드로 수집할 준비를 하고 있으며, 이를 통해 실패 사례를 활용하여 제품을 개선할 수 있습니다. 이는 단일 고객뿐 아니라 데이터 공유에 동의한 모든 고객에게 이점을 제공합니다." 이러한 개선은 성능 향상뿐만 아니라 새로운 유즈 케이스(use case) 발굴로 이어집니다. Ines Ugalde Diaz는 "최소한의 노력으로 소프트웨어를 수정하여 로봇 디팔레타이징(depalletizing)과 같은 완전히 새로운 유즈 케이스에 적용할 수 있음을 입증했습니다"라고 설명합니다. Pick AI는 독일 에를랑겐(Erlangen)에 위치한 Siemens 생산 창고 중 한 곳에 신규 배치된 로봇 디팔레타이징 셀의 핵심 기술입니다. 데이터를 바탕으로 팀은 로봇 조작의 한계를 확장하고 있습니다.
