현재 전 세계적으로 AI 기술이 산업 전반에 걸쳐 혁신을 주도하고 있다. 자율이동로봇(AMR) 분야에서도 AI의 도입이 가속화되고 있는데, AMR이 AI를 활용하여 더욱 고도화된 기술을 구현할 수 있는 가능성과 그에 따른 신뢰성과 안정성 검증이 중요해지고 있다. 강화형 기계 학습을 통해 더욱 정밀하고 안전한 주행이 가능해질 것으로 전망되며, AI 기반의 예측 제어 모델을 통해 주행 중 발생할 수 있는 다양한 상황을 분석하고 최적의 경로를 계획할 수 있다. 이러한 AI 기술의 도입은 AMR의 설치 용이성과 유연한 가동을 보장하며, 공정 다운타임을 최소화할 수 있다.
첨단 AI 기술과 AMR의 융합이 산업 현장에서 어떤 변화를 가져올지, 그리고 그 과정에서 극복해야 할 과제들은 무엇일지 살펴본다.
자율이동로봇(Autonomous Mobile Robot, AMR)은 자체적인 판단에 의해 유동적인 주행이 가능한 자율주행 기술 기반 이동로봇이다. 해당 로봇은 QR코드, 광학·자기테이프, 레이저 반사판, 레일, 센서, 마킹 등 유도체를 설치해 경로를 설정하는 무인운반차(Automated Guided Vehicle, AGV)의 진화형으로 평가받는다.
현재 고도 자율화 ‘레벨 4(L4)’ 이상의 자동차가 미래형 모빌리티로 기대 받는 것처럼, AMR 또한 제조·물류·서비스 등 산업에 새로운 지평을 열 것으로 전망된다.
AMR은 로봇 자체적으로 가상 지도를 구축해 주행 사전 작업을 진행한다. 이 과정에서 라이다(LiDAR) 및 카메라 센서가 주변 환경을 분석하고, 인공지능(AI) 기반 머신러닝·딥러닝 기술을 활용해 분석 데이터를 학습한 후 자율주행의 기반을 마련한다. 이처럼 AMR은 역동적인 현장에서 존재감을 발휘하기 때문에 활용 무대가 점차 넓어지는 추세다.
AMR은 급성장 중
글로벌 시장조사기관 ‘글로벌인포메이션(GII)’은 전 세계 AMR 시장이 연평균 성장률 최고 기록을 연속해서 갱신할 것이라고 진단했다. 이 기관의 분석에 따르면 AMR 시장 가치는 2030년에 최대 490억 달러(약 67조 8천억 원)에 달할 전망이다. 하나증권은 국내 AMR 시장 규모가 올해 약 3조 5천억 원에서 2년 후 5조 원으로 급성장할 것으로 내다봤다.
AI가 전 세계 산업을 이끌 것으로 전망되는 지금, AMR에도 차세대 AI 기술의 도입이 예견된다. AI가 AMR 기술 고도화를 이끄는 이 여정에서 AI의 신뢰성과 안정성을 검증하는 것이 중요하다.
AMR을 활용하기 위해서는 높은 수준의 기술이 요구되는 만큼, 한 차원 높은 AI를 활용하는 것이 핵심 포인트 중 하나다. 구체적으로 수십에서 수천억 개의 매개변수(Parameter)로 구성된 데이터를 지각·분석해 주행 프로세스에 알맞는 결과값을 도출하거나, 프로세스 인사이트를 제시할 수 있어야 한다.
이 과정에서 가장 중요한 것은 변수에 대응하는 능력이다. 전문가들은 ‘강화형 기계 학습(Reinforcement Learning)’을 강조한다. 학습 수행 중 주변 환경에 최적화된 학습을 통해 더욱 정확하고 안전한 주행이 가능해질 것이라는 분석이다.
이러한 차세대 AI 기술을 탑재한 AMR은 공정 다운타임을 최소화함과 동시에 유기적이고 유연한 가동이 가능하다. 아울러 설치 용이성도 확보되고, 높은 성능을 보장한다.
케빈 듀마스(Kevin Dumas) 미르 부사장은 “각종 데이터를 등에 업은 AMR은 높은 컴퓨팅 성능을 요구하거나, 중앙 컴퓨터 및 클라우드에 접근하지 않아도 자체적으로 AI를 적용할 수 있는 의외의 면모를 갖춘다”라고 언급했다. AI를 기반으로 한 AMR 가동은 가벼운 모델만으로도 가능하다.
직면한 AI 시대…AMR 진화에 어떤 역할을 하나
AI는 AMR 유지 관리를 예측하는 데도 중추적인 역할을 할 전망이다. AI 알고리즘을 통해 센서·모션·모터 제어 등 대규모 데이터 세트를 구성한 후 온도·진동 등 로봇에서 발생하는 요소를 모니터링하는 식으로 진행된다. 여기에 다중 에이전트 시스템을 통해 각종 유형의 로봇을 하나의 그룹으로 묶어 관리하는 데도 AI가 활용된다.
AMR에 AI를 장착하는 것의 가장 원초적인 목적은 ‘완전주행 실현’일 것이다. 앞서 언급했듯이 AMR에 탑재된 AI는 자체적으로 환경을 분석한 후 매핑해 주행 상황을 예측한다. 여기서 장애물·장비·사람 등이 갑자기 로봇 주행에 관여할 수 있고, 속도 제한 구역에 도달할 수도 있다. 기본 AMR은 이를 극복하기 위해 새로운 경로를 다시 계획한 후 주행 계획을 재설정해야 하지만, AI를 통해 이 과정의 생략이 가능하다. AI가 수많은 동적 장애물에 대응할 수 있기 때문이다.
AI는 AMR에 예측 제어가 가능한 자동제어 모델을 제시하기도 한다. 이 모델을 통해 주행 과정에서 발생할 수 있는 이슈 및 상황을 분석해 이에 대한 순위를 매긴다. 이어 이를 시뮬레이션함으로써 AMR의 경로 계획을 한 차원 높인다.
다음 단계는 내비게이션 영역이다. AMR은 자신이 어디에 위치하는지, 목표하는 경로에 어떻게 도달할 것인지를 이해해야 한다. 매핑된 지도를 기반으로 주행하기 때문에 항상 자기 위치를 기억한다.
AMR이 활동하는 환경은 통상적으로 변수가 많아 2D 라이더 기술을 갖춘 기존 AMR에는 각종 이슈가 상존한다. 심하게는 AMR이 자기 위치를 잃을 수도 있다. 이에 동시적 위치 측정 및 지도화(SLAM) 기술과 AI의 융합이 대안으로 제시된다.
SLAM은 라이다·카메라 등 센서를 통해 축적한 환경 데이터를 통해 스스로 지도를 만드는 기술이다. AMR이 작성한 가상의 지도와 SLAM을 통해 도출한 지도를 지속적으로 비교해 위치를 추정한다. 이를 통해 주행 신뢰성 확보가 가능하다.
오토메이션월드 최재규 기자 |
