랜덤 빈 피킹에 대한 비용 효율적인 접근 방식

업계가 점점 더 자동화된 제조 라인으로 이동함에 따라, 이전에는 인간이 수행했던 여러 복잡한 작업들이 이제는 기계에 의해 처리되고 있습니다. 이 중 가장 복잡한 것은 랜덤 빈 피킹입니다. 즉, 무작위로 배열된 부품 트레이를 들여다보고 라인의 다음 공정에 필요한 부품을 식별하여 가져오는 기능을 의미합니다. 다른 부품 더미 아래에 반쯤 숨겨져 있는 부품을 가져오는 것도 가능합니다.

기계 적재부터 키팅 및 분류에 이르기까지 다양한 용도로 사용되는 랜덤 빈 피킹 기술은 자동차, 전자 제품, 전자 상거래, 의료 기기 산업에서 널리 사용되고 있습니다. 이 작업은 사람에게는 비교적 간단한 일이지만, 여기에 투입된 로봇 팔은 고속 3D 머신 비전, 패턴 인식, 경로 계획 알고리즘을 활용해야 할 수 있습니다. 최근에는 머신 러닝 접근 방식도 빈 부품의 식별과 성공적인 검색을 개선하는 데 도움을 줍니다.

구조광 대 레이저 스캐닝

레이저 광을 사용하여 표면을 체계적으로 스캔하고 매핑하는 것은 잘 알려져 있지만, 대부분의 최신 랜덤 빈 피킹 시스템은 레이저 매핑보다 더 빠르고 안전하며 비용 효율적인 '구조광' 접근 방식을 활용합니다. 구조광 스캐닝은 빈 피킹 외에도 산업 설계, 품질 관리, 증강 현실 게임, 의료 영상과 같은 분야에서 널리 사용되고 있습니다. 주변광 조건과 반사되는 부품 표면은 잠재적으로 복잡한 요인이 될 수 있습니다.

구조광은 줄무늬 및 격자 무늬(그림 1)와 같은 일련의 패턴을 빈의 내용물에 빠르게 투사하는 방식입니다. 프로젝터의 각도가 아닌 다른 각도에서 보면 패턴이 왜곡됩니다. 이러한 왜곡은 빈 내용물의 3차원적 복잡성을 드러내며 일련의 스틸 이미지로 캡처되기 때문에 고속 연결과 고성능 컴퓨팅의 필요성이 대두됩니다.

그림 1: 구조광 스캐닝은 부품이 가득 찬 빈에 투사된 명암 패턴으로 생성된 이미지를 캡처 및 분석하여 빈 안의 다양한 부품의 식별 정보, 위치, 방향을 제공합니다(이미지 출처: Lattice Semiconductor).

반복적인 작업을 담당하는 FPGA

대부분의 구조광 솔루션은 이더넷을 통해 연결된 두 개의 모듈, 즉 센서 모듈과 컴퓨팅 모듈로 구성됩니다. 센서 모듈은 프로젝터에 연결되며, 일련의 구조광 패턴을 빈에 투사하기 시작합니다. 프로젝터의 기준축에서 벗어나게 배치된 카메라가 결과 이미지를 캡처합니다. Lattice Semiconductor의 구조광 솔루션의 경우 포지티브, 네거티브, 수평 및 수직 패턴을 포함한 일련의 41개의 개별 이미지가 생성됩니다. 카메라가 캡처한 이미지 시퀀스는 MIPI CSI(카메라 직렬 인터페이스) 링크를 통해 센서 모듈로 다시 전송됩니다.

또한 센서 모듈에는 일련의 41개의 이미지를 10비트 코딩된 단일 이미지로 인코딩하고 생성된 이미지의 공통 '해당 픽셀' 위치를 표시하는 FPGA(현장 프로그래밍 가능 게이트 어레이) 리소스도 포함되어 있습니다. 이 코딩된 이미지는 이더넷 링크를 통해 컴퓨팅 모듈로 전달됩니다. 이 인코딩은 컴퓨팅 모듈로의 전송 속도와 전체 시스템의 응답성 및 성능을 크게 향상시킵니다. 예를 들어, 1920 x 1080 픽셀 해상도의 원본 이미지 41개를 전송하면 680MB의 데이터 트래픽이 발생하지만 인코딩된 단일 이미지의 데이터는 41MB에 불과합니다. 이는 데이터 용량을 16:1로 줄이고 이에 따라 시스템 성능이 향상됨을 의미합니다.

센서 모듈의 추가 FPGA는 빈에 들어 있는 개별 물체의 윤곽을 효과적으로 그리는 픽셀 단위 깊이 맵을 생성하여 컴퓨팅 모듈의 계산 부담을 더욱 줄여줄 수 있으며 컴퓨팅 모듈이 로봇 암의 최적 픽 지점을 산출하는 데 기여합니다. 이는 각 픽셀에 대해 병렬로 수행할 수 있는 매우 반복적인 작업입니다. 또는 동일한 컴퓨팅 모듈 리소스를 사용하되 기능을 추가할 수도 있습니다. 마찬가지로 FPGA는 머신 러닝 기반 객체 감지 및 세그멘테이션의 전체 또는 일부를 수행하여 컴퓨팅 모듈의 부담을 더욱 줄일 수 있습니다.

하드웨어와 소프트웨어 비교

센서 모듈의 FPGA와 컴퓨팅 모듈의 CPU/GPU의 조합이 이 응용 분야에서 효율적인 이유는 각 플랫폼이 상호 보완적인 강점을 갖고 있기 때문입니다. FPGA는 41개의 이미지 정보를 하나의 인코딩된 이미지로 통합하는 데 필요한 센서별 처리 및 프레임 수준 동기화와 같이 매우 반복적인 작업에 특히 적합합니다. 이 작업은 구성 가능한 하드웨어 구현에 이상적입니다. 반대로, CPU/GPU의 강점은 최적화 및 의사 결정과 같은 높은 수준의 복잡한 계산에 있으며, 이는 소프트웨어에서 가장 쉽게 구현됩니다(그림 2).

그림 2: Lattice Semiconductor의 랜덤 빈 피킹 접근 방식은 계산 작업 부하를 FPGA와 CPU/GPU 리소스 간에 적절히 분배함으로써 시스템 성능을 최적화하고 부품 명세서 관점에서 시스템 비용을 절감합니다(이미지 출처: Lattice Semiconductor).

랜덤 빈 피킹 응용 분야의 경우 센서 모듈에서 로컬 FPGA 인코딩을 사용하면 컴퓨팅 모듈로 전송해야 하는 데이터가 크게 줄어들어 피킹 실행 속도가 빨라집니다. 한편, FPGA는 컴퓨팅 모듈에 내장된 CPU/GPU의 계산 요구량을 줄여 더 저렴한 프로세서를 사용할 수 있도록 합니다.

작은 폼 팩터와 낮은 전력 소비 특성을 갖춘 FPGA는 팬 또는 방열판과 같은 방열 조치 없이도 센서 모듈을 비교적 작은 플라스틱 인클로저에 수용할 수 있습니다. 결과적으로 전체 솔루션의 부품 명세서 비용을 낮출 수 있습니다.

루프 완성

인코딩된 이미지가 센서 모듈에서 컴퓨팅 모듈로 전송되면 CPU/GPU는 삼각 측량을 사용하여 해저 지형도처럼 인코딩된 이미지에서 깊이 이미지를 생성합니다. 이 깊이 이미지는 물체 감지(세그먼테이션) 및 후속 픽 포인트 계산에 사용됩니다. 컴퓨터 비전은 물체 식별과 피킹 포인트 계산에서 주요 역할을 하지만, 보다 복잡한 응용 분야에서는 CAD 모델을 활용해 기하학적 매칭을 통해 물체 감지를 보조하기도 합니다. 최근에는 더 복잡한 시나리오를 처리하기 위해 머신러닝 기반 접근 방식이 개발되었으며, 일부는 딥러닝을 활용하여 각 단계별 픽의 결과를 기반으로 성능을 개선합니다.

마지막으로, 빈의 내용물에 대한 3D 렌더링이 완료되며 다음 부품을 검색하기 위한 적절한 픽 포인트가 선택되면 로봇에 실행을 위한 명령이 전달됩니다. 랜덤 픽이 완료되면 해당 주기가 다시 시작됩니다.

결론

구조광은 랜덤 빈 피킹 응용 분야에서 레이저보다 더 안전하고 뛰어난 성능을 제공합니다. 또한 FPGA와 CPU/GPU 리소스를 모두 활용하는 하이브리드 접근 방식은 가장 성능이 우수하며 부품 명세서 관점에서도 비용 효율성이 가장 뛰어납니다. 이는 두 반도체 기술 간의 적절한 분업과 센서 모듈의 FPGA가 상대적으로 낮은 전력 소비로 인해 보조 냉각 조치가 필요하지 않기 때문입니다.