Robotics

로보틱스는 로봇, 즉 주변 환경을 감지하고 해야 할 일을 판단하며 모터와 기타 액추에이터로 물리적 세계에 작용하는 기계를 설계, 제작, 프로그래밍하는 공학 분야입니다. 기계공학과 전기공학, 제어 이론, 컴퓨터 과학을 결합합니다. 전통적인 산업용 로봇은 울타리로 둘러싸인 작업 공간에서 미리 프로그래밍된 동작을 반복합니다. 인공지능(AI)을 활용하는 최신 로봇은 위치가 매번 달라지는 부품을 찾고, 사람을 피해 이동하며, 직접 작성한 코드 대신 시연을 통해 조작 기술을 학습하는 등 다양한 상황에 대응합니다.

로봇의 작동 방식: 감지, 계획, 실행#

대부분의 로봇 소프트웨어는 감지-계획-실행 구조를 지속적으로 반복합니다.

• 감지: 카메라, 깊이 센서, 라이다, 관성 측정 장치(IMU), 관절 인코더, 힘-토크 센서가 주변 환경과 로봇 자체를 측정합니다.
• 인식: 컴퓨터 비전 모델은 객체 탐지, 분할, 포즈 추정, 깊이 추정을 통해 원시 이미지를 객체, 사람, 표면, 거리 정보로 변환합니다.
• 상태 추정 및 매핑: 센서 융합은 칼만 필터와 같은 필터를 사용해 로봇의 위치와 움직임을 추정하며, 시각적 SLAM은 알 수 없는 공간의 지도를 만들면서 그 안에서 로봇의 위치를 추적합니다.
• 계획: 작업 계획기는 다음에 할 일을 결정하고, 동작 계획기는 바퀴나 로봇 팔이 충돌 없이 이동할 경로를 계산합니다.
• 제어: PID 루프부터 모델 예측 제어에 이르는 저수준 제어기가 계획을 따르도록 모터를 구동하며, 초당 수백 회 실행되는 경우도 많습니다.

ROS 2(로봇 운영 체제)와 같은 미들웨어는 이름이 지정된 토픽을 통해 메시지를 주고받는 별도의 프로세스로 이러한 구성 요소를 연결합니다. 각 동작이 다음에 센서가 포착하는 대상을 바꾸므로 루프가 이어집니다.

제어 루프에서의 비전#

로봇 자체 컴퓨터에서 계획에 활용할 수 있도록 인식 결과를 충분히 빠르게 제공해야 합니다. 로봇 컴퓨터는 NVIDIA Jetson과 같은 임베디드 GPU 모듈인 경우가 많습니다. Ultralytics의 ROS 빠른 시작 가이드는 Ultralytics YOLO26을 ROS 노드로 실행합니다. 이 노드는 카메라 토픽을 구독하고, 다른 노드에서 사용할 수 있도록 주석이 추가된 탐지 및 분할 결과, 탐지된 클래스 이름, 깊이 이미지에서 추출한 객체 거리를 게시합니다. 동일한 인식-동작 단계를 몇 줄의 Python 코드로 구현할 수 있습니다. 여기서는 카메라 영상에 사람이 나타나는 즉시 이동 로봇을 정지합니다.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
video = "https://github.com/ultralytics/assets/releases/download/v0.0.0/decelera_portrait_min.mov"

# Sense-act loop: read frames as they arrive and stop as soon as a person is detected
for frame_idx, result in enumerate(model.predict(video, stream=True, classes=[0])):
    if len(result.boxes) > 0:
        print(f"Person detected in frame {frame_idx}: sending stop command")
        break

stream=True을 사용하면 비디오를 읽을 때마다 모델이 프레임당 결과 하나를 반환합니다. source=0과 같은 라이브 카메라 인덱스를 사용할 때도 같은 방식으로 작동합니다.

학습 기반 로보틱스#

학습된 인식 기능은 이제 표준으로 자리 잡았으며, 학습 기법은 계획과 제어에도 점점 더 많이 적용되고 있습니다.

• 모방 학습: 로봇은 원격 조작 시연을 통한 행동 복제로 학습합니다. 동작 청킹과 확산 정책 같은 기법 덕분에 빨래 개기나 커넥터 삽입과 같은 정밀한 조작 작업에 실용적으로 적용할 수 있게 되었습니다.
• 시뮬레이션에서의 강화 학습: 강화 학습으로 수백만 번의 시뮬레이션 시행을 거쳐 학습한 정책은 도메인 무작위화의 도움으로 실제 하드웨어에 적용됩니다. 도메인 무작위화는 물리적 특성과 외관을 다양하게 바꾸어 실제 세계를 또 다른 변형 사례처럼 보이게 합니다. 사족 보행 로봇과 휴머노이드의 민첩한 걷기 및 달리기 제어기는 일반적으로 이 방식으로 학습합니다.
• 로봇 파운데이션 모델: 비전-언어-동작 모델은 카메라 이미지와 자연어 지시를 모터 명령으로 직접 변환합니다. 예를 들면 Physical Intelligence의 π0, Google DeepMind의 Gemini Robotics, 휴머노이드용 NVIDIA 오픈 모델인 Isaac GR00T가 있습니다. Open X-Embodiment 데이터셋처럼 22종의 로봇에서 수집한 100만 개 이상의 궤적을 활용하는 방식으로, 여러 로봇의 학습 데이터를 통합합니다.

이러한 방법은 신체를 통해 인식하고 행동하는 에이전트를 다루는 AI 연구 분야인 체화된 AI와 물리적 AI로 분류되는 경우가 많습니다.

로보틱스와 로봇 프로세스 자동화 비교#

로봇 프로세스 자동화(RPA)는 같은 단어를 사용하지만 하드웨어를 포함하지 않습니다. RPA '봇'은 비즈니스 애플리케이션 간 데이터 복사나 송장 처리와 같이 반복적인 디지털 작업을 자동화하는 소프트웨어입니다. 로보틱스에는 항상 물리적 기계가 포함됩니다. 예를 들어 Boston Dynamics의 사족 보행 로봇 Spot은 검사 이미지를 촬영하기 위해 건설 현장을 걸어 다닙니다.

응용 분야#

• 제조: 다관절 로봇 팔은 용접, 도색, 조립을 수행하고, 협동 로봇(코봇)은 더 낮은 속도와 힘으로 사람 곁에서 작업합니다. 비전은 부품 빈 피킹을 안내하고 부품 결함을 검사합니다.
• 물류: 자율 이동 로봇(AMR)은 온보드 지도와 인식 기능을 사용해 창고를 주행하고 장애물을 피해 경로를 변경합니다. 반면 과거의 무인 운반차(AGV)는 고정된 테이프나 와이어 경로를 따라 이동했습니다.
• 농업: 로봇은 비전을 사용해 식물을 구분하고 잡초 제거, 솎아내기, 수확 작업을 수행합니다.
• 의료: 원격 조작 수술 시스템은 외과 의사의 손동작을 정밀한 수술 도구 움직임으로 변환하며, 이동 로봇은 병원에서 물품을 운반합니다.
• 운송: 자율주행차와 드론은 더 높은 속도로 동일한 감지-계획-실행 루프를 수행하는 이동 로봇입니다.

국제로봇연맹에 따르면 2024년 전 세계에 산업용 로봇 542,000대가 설치되었으며, 이 중 54%가 중국에 설치되어 가동 중인 로봇 수는 약 466만 대에 이르렀습니다.