[ 고지 사항 (Disclaimer) ]
본 컨텐츠는 AI의 제조업 적용을 위한 이해와 스터디를 위해 제작, 제공된 것입니다. 만약 원본 내용과 컨텐츠 상에서 차이나 불일치가 있을 경우 원본이 우선합니다. 또한 한글 번역문과 영어 원문에 차이나 불일치가 있을 경우(번역의 지체로 인한 경우 등 포함), 영어 원문이 우선합니다. 또한 본 컨텐츠는 고객 사이의 어떠한 계약에도 속하지 않으며 계약을 변경하지도 않습니다.
본 문서는 It’s Here! How AI Robot Will Revolutionize Manufacturing 내용에 기반하여 작성 되었습니다.
제조업은 오랫동안 자동화 수준이 가장 높은 산업으로 여겨졌지만, 완전히 자동화된 공장은 여전히 멀리 있는 것처럼 보였습니다. 그러나 AI 로봇공학은 이를 변화시킬 수 있는 위치에 있습니다. 손재주가 좋고 자율적인 학습 능력을 갖춘 로봇이 제조 공정과 산업 환경을 어떻게 변화시킬까요? Robotics 2.0이 제공하는 혁신에 대해 기업은 어떻게 대응해야 합니까?
이 글에서는 인공지능과 제조업의 융합에 대하여 다루겠습니다. 현재, 대부분의 로봇 팔과 자동화 장비들은 제조에 사용되고 있습니다. 하지만 놀랍게도 많은 제조 공정이 여전히 수작업으로 남아 있습니다. 그리고 AI 로봇은 그것을 바꿀 수 있는 위치에 있습니다. 손재주가 좋고 자율적인 학습 능력을 갖춘 로봇이 프로세스와 산업 환경을 어떻게 변화시킬까요? Robotics 2.0이 제공하는 혁신에 대해 기업은 어떻게 대응해야 할까요?
“미래는 이미 여기에 있습니다. 하지만 균등하게 분배되어 있지 않습니다.” — 윌리엄 깁슨
제조 자동화 현황
국제 로봇 공학 협회 (IFR)에서 발표 한 최근 보고서에 따르면, 전 세계 산업용 로봇 팔 출하량은 2018 년에 384,000 대에 달하는 새로운 기록을 세웠습니다. 중국은 여전히 세계 최대 시장이며 (35 %) 일본과 미국이 그 뒤를 잇고 있습니다.
자동차 및 전자 제품 제조 산업은 금속, 플라스틱 및 식품을 포함한 다른 산업보다 훨씬 앞선 산업 (60 %)의 최대 응용 시장입니다
이 시점에서 다음과 같은 문제가 발생할 수 있습니다.
산업용 로봇 팔은 수십 년 전에 제조 산업에 도입되었습니다. 자동화가 가능한 영역에 이미 적용되었어야 합니다. 혁신을 위한 영역은 얼마나 남았습니까?
뜻밖에도 자동화 수준이 가장 높은 자동차 산업도 완전 자동화 공장인 “라이트 아웃 공장”과는 아직 멀었습니다.
예를 들어, 대부분의 자동차 조립은 여전히 수동으로 완료됩니다. 이것은 이 과정에서 가장 노동 집약적인 부분입니다. 조립라인에 있는 자동차 공장에서 일하는 직원들의 전체 직원의 평균 2/3입니다.
혁신을 추구하고 높은 수준의 자동화를 표방해 온 Tesla CEO Elon Musk도 Tesla의 생산 라인 자동화가 기대에 미치지 못했다는 점을 공개적으로 인정해야 했습니다.
자동화가 왜 그렇게 어려운가요? 자동화가 지금까지 극복하지 못한 기술적 제한은 무엇입니까?
1. 유연성과 적응성
오늘날의 자동화된 생산 라인은 대량 생산을 위해 설계되었습니다. 자동화는 비용을 효과적으로 절감하지만 유연성 부족을 초래합니다. 제품 수명 주기가 짧아지고, 점점 더 작은 볼륨이 증가하지만, 맞춤형 생산에는 더 높은 유연성이 요구됩니다. 그리고 인간은 종종 로봇보다 변화에 더 잘 적응합니다.
2. 정교함과 업무 복잡성
기술의 빠른 발전에도 불구하고, 인간은 여전히 로봇보다 더 높은 수준의 재주를 가지고 있습니다. 전자 계약 제조업체와의 대화를 통해 조립 공정이 이미 고도로 자동화되었지만, 키팅 절차는 여전히 대부분 수작업이라는 것을 알게 되었습니다.
키팅은 제조 및 웨어하우징 업계에서 공통적으로 발생합니다. 이것은 생산 효율을 높이는 중요한 단계입니다. 이는 제품을 조립하는 데 필요한 다양한 구성품을 모아 포장하여 키트에 넣는 과정을 말합니다.
그런 다음 로봇은 키트에서 부품을 가져와 조립합니다. 각 부품이 고정 위치와 각도에 있기 때문에 이 조립 단계의 자동화는 비교적 쉽습니다. 반대로, 키팅 중에 부품을 식별하고 상자에서 꺼내야 합니다. 이 경우 부품은 무질서하게 저장됩니다. 부품의 각 위치가 서로 달라 중복 또는 교합이 발생할 수 있어 기존의 기계 비전 및 로봇 기술에 어려움이 있습니다.
3. 시각 및 비 시각적 피드백
많은 복잡한 조립 작업은 작업자의 경험이나 “직관”에 의존합니다. 카시트를 설치하든, 부품을 키트에 넣든, 이러한 간단한 동작은 작업자가 다양한 시각적 및 촉각적 신호를 바탕으로 동작의 각도 및 힘을 조정해야 합니다.
기존의 자동 프로그래밍은 항목을 검색하거나 배치하는 모든 인스턴스가 완전히 동일한 것은 아니기 때문에 이러한 미세 조정 작업에 유용하지 않습니다. 여러 번의 시도에서 배우고 유도할 수 있는 인간의 능력을 필요로 합니다. 그러한 능력의 숙달, 특히 깊고 강화된 학습은 로봇에게 가장 큰 변화를 가져올 수 있습니다.
Robotics 2.0 : AI 로봇이 이전에는 할 수 없었던 작업은 무엇입니까?
AI가 로봇 팔에 가져다 주는 가장 큰 변화는 다음과 같습니다. 과거에는 로봇 팔이 엔지니어의 쓰기 프로세스를 반복적으로 수행할 수 있었습니다. 정확성에도 불구하고 환경적 변화나 프로세스적 변화에 대처할 수 없었습니다.
AI 덕분에 기계는 이제 스스로 다양한 대상과 작업을 처리하는 법을 배울 수 있게 되었습니다. 특히, AI 로봇은 기존의 로봇 팔과 비교하여 3가지 주요 분야에서 큰 발전을 이루었습니다.
1. 비전 시스템
가장 진보된 3D 산업용 카메라조차도 투명한 포장, 반사 표면 또는 변형 가능한 물체를 식별하는 것뿐만 아니라 깊이와 거리를 결정하는 데 있어서 인간의 눈의 정확성을 가지고 있지 않습니다.
따라서 정확한 깊이를 제공하고 대부분의 패키지 및 항목을 식별할 수 있는 카메라를 찾기 어려운 이유가 설명됩니다. 하지만, AI로 인해, 이 상황은 곧 바뀔 것입니다.
멋신 비전은 지난 몇 년 동안 심층적인 학습, 의미적 세분화 및 장면 이해의 혁신으로 엄청난 발전을 이루었습니다. 이를 통해 범용 카메라를 사용한 깊이와 이미지 인식이 개선되어 제조업체는 정확한 이미지 정보를 얻고 고가의 카메라 없이도 투명하거나 반사적인 물체 포장을 성공적으로 식별할 수 있게 되었습니다.
2. 확장성
기존의 기계 비전과는 달리 딥러닝은 각 항목의 3D CAD 모델을 사전 등록하거나 구축할 필요가 없습니다. 인공신경망은 훈련 후 영상의 물체를 자동으로 식별할 수 있습니다.
또한, 기계가 인간의 학습과 더욱 유사할 수 있도록 데이터나 기능에 수동으로 태그를 지정할 필요가 없도록 감독되지 않거나 자체 감독되지 않는 학습을 사용할 수도 있습니다.
ML은 사람이 개입할 필요성을 줄이고 엔지니어가 프로그램을 다시 작성할 필요 없이 로봇이 새로운 부품을 다룰 수 있도록 합니다. 기계 작동을 통해 점점 더 많은 데이터를 수집함에 따라 기계 학습 모델의 정확성도 더욱 향상될 것입니다.
현재 일반적인 생산 라인은 일반적으로 로봇이 필요한 구성 요소를 정확하게 가져갈 수 있도록 하기 위해 셰이커 테이블, 피더 및 컨베이어 벨트 같은 주변 장비를 갖추고 있습니다.
만약 기계 학습이 더 발달하고 로봇 팔이 훨씬 더 똑똑해진다면, 아마도 언젠가는 로봇 팔보다 4~5배 이상 비싼 이 주변 장치들이 더 이상 필요하지 않을 것입니다.
반면에, 깊은 학습 모델은 일반적으로 클라우드에 저장되기 때문에, 이것은 또한 로봇들이 서로에게서 배우고 지식을 공유할 수 있게 해줍니다. 예를 들어, 만약 로봇 팔이 하룻밤 사이에 두 부분을 결합하는 법을 배운다면, 새로운 모델을 클라우드로 업데이트하고 다른 로봇들과 공유할 수 있습니다. 이를 통해 다른 시스템의 학습 시간을 절약하고 품질의 일관성을 보장할 수 있습니다.
3. 지능적인 배치
세심하게 다루거나 깔끔하게 물건을 배열하는 등 우리에게 쉬워 보이는 몇 가지 지침은 로봇에게 커다란 기술적 난제를 나타냅니다. “조심스러운 취급”은 어떻게 정의됩니까? 물체가 테이블 상판에 닿았을 때 힘을 가하는 것을 즉시 중지하기 위한 것입니까? 아니면 물체를 테이블에서 6cm 떨어진 곳으로 옮겼다가 자연스럽게 떨어지게 하는 걸까요? 아니면 테이블 상판에 접근할 때 속도가 점차 감소하고 있습니까? 이러한 서로 다른 정의가 항목 배치의 속도와 정확도에 어떤 영향을 미칩니까?
아이템을 깔끔하게 정렬하는 것은 더욱 어렵습니다. “neat”의 정의를 무시하더라도 먼저 올바른 위치에서 항목을 선택하여 원하는 위치와 각도에 정확하게 배치해야 합니다. 이 로봇 팔은 여전히 사람만큼 손재주가 없고, 현재 대부분의 로봇 팔은 여전히 흡착판을 사용합니다. 인간의 관절이나 손가락에서와 같은 미세한 운동 기술을 달성한다는 점에서 아직 개선의 여지가 많습니다.
둘째로, 우리는 잡을 물체의 각도 위치와 모양을 즉각적으로 결정할 수 있어야 합니다. 위의 그림에서 컵을 예로 들 수 있습니다. 로봇 암은 다음을 알아야 합니다. 컵이 위쪽을 향하는지 아래쪽을 향하는지 여부입니다. 옆으로 눕혀야 할지, 아니면 똑바로 세워야 할지 말입니다. 그리고 방해가 되는 다른 물건이나 장애물이 있나요? 이렇게 하면 로봇이 공간을 가장 효율적으로 사용하기 위해 컵을 어디에 둘지 결정할 수 있습니다.
우리는 태어날 때부터 물건을 집어서 내려놓는 다양한 일을 끊임없이 배우고 있습니다. 이러한 복잡한 작업은 본능적으로 완료할 수 있습니다. 그러나 기계는 이러한 경험이 없으므로 태스크를 다시 학습해야 합니다.
이제 이 로봇 팔은 AI를 이용하여 깊이를 더 정확하게 판단할 수 있습니다. 또한 교육을 통해 학습하고 컵이 위 또는 아래를 향하는지 또는 다른 상태에 있는지 확인할 수 있습니다.
개체 모델링 또는 voxelization(3D 화소)를 사용하여 3D 개체를 예측하고 재구성할 수 있습니다. 기계는 실제 항목의 크기와 모양을 보다 정확하게 렌더링하고 필요한 위치에 항목을 더 정확하게 배치할 수 있습니다.
