[국제필드로봇포럼]②인공지능과 필드로봇 요소기술

홈 > 뉴스 > 종합

[국제필드로봇포럼]②인공지능과 필드로봇 요소기술실시간 물체검출 알고리즘 등 기술 개발 이뤄져

승인 2017.10.28 13:47:07

▲ 오후 두번째 세션 사회를 맡은 충남대 원문철 교수

이번 국제로봇필드 포럼에선 오전 주제 강연에 이어 오후에는 인공지능 및 필드 로봇에 관한 요소 기술에 관한 전문가들의 강연과 산업별 적용 사례 발표가 이어졌다. 한국산업기술평가관리원 김경훈 PD는 글로벌 로봇 산업의 현황에 대해 발표했다 .각 분야 전문가들의 발표 내용을 요약 소개한다.

세계 로봇시장 현황과 전망-한국산업기술평가관리원 김경훈 로봇PD

▲ KEIT 김경훈 로봇 PD

국제로봇연맹(IFR)이 발표한 지난해 글로벌 로봇산업 현황을 보면 산업용 로봇 131억 달러, 전문 서비스 로봇 47억 달러, 개인용 로봇 27억 달러의 시장을 형성하고 있다. 전체의 3분의 2가 산업용 로봇이다. 산업용 로봇이 정체 상태를 보일 것이란 예측이 있었지만 산업용 로봇은 16%의 성장률을 보이는 등 지속적으로 성장하고 있다. 전문 서비스 로봇은 많이 성장했지만 단가 하락으로 성장은 2%에 그치고 있다.

중국은 제조업 육성 정책으로 로봇 산업이 빠르게 성장하고 있다. 중국내 산업용 로봇의 45%는 중국산 제품이며, 55%는 수입하고 있다. 한국은 수량 기반으로 세계 2위의 산업용 로봇국가다. 중국, 일본, 미국, 한국 순으로 산업용 로봇 운용대수가 많고, 한국은 내년쯤 산업용 로봇 운용대수가 미국을 능가할 전망이다.

산업용 로봇 도입을 주도하는 산업은 자동차, 전기전자 업종이며, 우리나라는 전기전자업종이 더 많은 상황이다. 배터리를 자동차부문에 포함하면 자동차 분야 로봇 성장률은 매우 높다. 전문서비스 로봇의 경우 물류, 택배 로봇의 성장성이 높다. 국방 등 필드 로봇도 성장 잠재력이 크다. IFR은 필드로봇을 우리보다 협소하게 정의하고 있다. 착유로봇은 마이너스 성장률을 보이고 있지만 의료 로봇분야는 급성장하고 있다. 전문 서비스 로봇의 지역별 분포를 보면 필드로봇 도입은 유럽이 높고 아시아와 호주도 높지만 호주의 영향이 크다. 미국은 물류 로봇이 많은 편이다.

개인용 로봇은 24% 정도 성장했고, 성장률도 높다. 로봇밀도은 한국이 1위로 2011년부터 일본을 앞질렀다. 한국 전자산업의 급성장과 관련이 있다. 하지만 우리는 많은 로봇을 수입하고 있다.

미국은 2011년 어드밴스드 메뉴팩처링 정책의 시행 이후 로봇 연구가 활발하며 유비쿼터스 로봇 추세가 이어지고 있다. 일본은 2020년 도쿄올림픽을 계기로 로봇 올림픽을 주최한다. 일본은 로봇 부품이 전통적으로 강세이고 최근에는 서비스 로봇을 강화하고 있다. 유럽도 로봇 우선 육성 정책을 필치고 있으며, 중국은 현재 로봇밀도를 빠른 시일안에 68에서 150 정도로 늘리겠다는 목표를 제시했다.

우리나라는 4차 산업혁명이 화두가 되고 있다. 필드로봇은 무궁무진한 잠재력을 갖고 있다. 정부가 물류로봇, 서비스 로봇, 안전로봇, 의료로봇 등 분야에 강력한 드라이브를 걸고 있다. 지난 9월 로봇 로드맵을 발표했다. 의료로봇의 성장성이 높다. 의료로봇은 진입장벽도 높고 건강에 대한 관심이 높아지면서 소비자들의 지불 의도가 높다. 재활로봇과 필드로봇의 일종인 농업 로봇에 대한 국가적 차원의 관심이 높다. 농촌 고령화, 식량 자급자족 측면에서 농업 로봇은 중요하다. 필드로봇 발전을 위해선 정부의 기술수요 조사시 업계가 적극적으로 제안할 필요가 있다.

인공지능 기반의 무인차 자율주행연구-DGIST 정희철 박사

▲ DGIST 정희철 박사

자율주행차 개발에 인공지능 중요성이 높아지고 있다. 딥러닝에는 많은 데이터가 필요하다. 악천후, 비포장 등 학습 데이터가 포함되어야 실제 자율주행이 제대로 작동할 수 있다.

딥러닝 연구에는 엔드 투 엔드 러닝, 멀티태스크 러닝, 도메인 어댑테이션, 시퀀시얼 러닝, 네트워크 컴프레션 등이 활용되고 있다. 엔드 투 엔드 러닝은 프린스턴대의 연구가 시초다. 엔비디아는 지난 2016년 엔드 투 엔드 러닝 기술을 발표했다. CNN을 통한 학습도 이뤄졌다.

DGIST는 ‘카페’라는 프레임워크를 사용해 프레임 데이터 3만장 정도를 활용해 훈련시켰다. 특히 야간 주행시에는 CNN을 사용해 정확한 값을 얻을 수 있었다. 멀티태스크 러닝은 인식률을 좋게 해준다. 엔드 투 엔드 러닝 방식이 최선은 아니다. 현재 ‘시맨틱 세그멘테이션’을 활용하고 있다. 학습 데이터와 실제 데이터 패턴이 다르다. 도메인 어댑테이션을 통하면 새로운 환경에도 적용할 수 있다.

실시간 물체 검출 알고리즘-서울대 곽노준 교수

▲ 서울대 곽노준 교수

자율주행 자동차 실시간 물체 검출시 슬라이딩 윈도를 일반적으로 활용한다. 자동차를 검출하는 전통적인 방식이다. HG 등 투스텝 알고리즘을 많이 사용하는 데 계산량이 적은 방식이다. 보행자 검출이 자동차 보다 어렵다. 사람의 자세가 매우 다양하기 때문이다. 심지어 도로에 눕는 사람도 있다. 데이터셋이 있어야 학습이 가능한데 데이터셋을 만드는게 힘들다. 지도 학습의 문제가 생긴다. 이미지 피라이드(image pyramid)나 클래시파이어 피라미드(classifier pyramid)를 사용한다.

슬라이딩 윈도 기법의 문제는 사람마다 박스의 크기가 틀리다. NMS(Non-maximum suppression)를 활용해 해결한다. 호그 등 기존 방법은 객체 하나를 검출하는데만 초점을 맞췄다. 여러 객체가 생길 때 클래시파이어가 없으면 객체를 검출하지 못한다. 딥러닝이 나오면서 제너럴한 객체검출 방식이 등장했다. R-CNN, 패스트/패스터 R-CNN 등은 여러 객체를 동시에 잡아낸다. R-CNN은 리전 프로포절(region proposal)을 추출한다. 계산량이 많아 속도가 느린게 단점이다. 패스트 R-CNN은 성능은 유지하면서 속도가 빨라졌다. 47초에서 2~3초정도로 줄었다. 패스터 R-CNN은 리전 프로포절 네트워크(RPN)을 활용한다. 속도는 0.1 초 정도로 빨라진다.

성능은 투 스테이지 알고리즘이 가장 좋지만 임베디드 리얼시스템에 적용하기 힘들다. 요즘 YOLO(You Only look Once) 연구가 이뤄지고 있다. 실시간 객체 검출이 가능하다. SSD(Single Shot Multibox Detector)도 작년부터 연구되고 있다. YOLO 보다 작은 객체도 잡아낸다. 서울대는 현재 ‘레인보우 SSD’라는 연구 성과를 도출했다.

달탐사 로버 스페이스 내비게이션 기술 현황-성균관대 김재웅박사

▲ 성균관대 김재웅 박사

내비게이션은 실내, 실외,우주순으로 난이도가 높다. 달에서 움직이는 자율주행 로버(rover)는 태양, 산, 크레이터만을 기준으로 위치를 파악해야 한다. 10km 이상의 먼거리를 이동해야하고 이동 도중 위험 요소를 파악하고 피해가야하며, 이동 도중 정보도 수집해야 한다. 안전 주행도 중요한 요소다. KIST의 달탐사 프로젝트에 참여하고 있는데, 딥러닝 기반의 내비게이션을 추진하고 있다. 글로벌 랜드마크가 없기 때문에 내비게이션이 쉽지 않다. 글로벌 로칼리제이션, 3D 환경 모델링 등 기법이 필요하다. 6D 비주얼 SLAM 등도 연구하고 있다. GAN 이미지 생성도 시도한다. 중국이 ‘창이3’ 로버가 촬영한 영상을 공개했는데 이를 기반으로 고해상도 작업을 했다.