내부 물류를 최적화하여 인더스트리 4.0 공급망을 간소화하고 속도를 높이는 방법 – 2/2부

내부 물류에 관한 이 시리즈의 1부에서는 시스템 수준에서 내부 물류를 구현하고 필요에 따라 자재를 빠르고 안전하게 이동하기 위해 자율 모바일 로봇(AMR)과 무인 운반차(AGV)를 사용하는 방법과 관련된 문제를 설명했습니다. 이 기사에서는 사용 사례와 AMR 및 AGV에서 센서를 사용하여 품목을 식별 및 추적하는 방법, 머신 러닝(ML)과 인공 지능(AI)이 창고 및 생산 시설 전반에서 자재 식별과 자재의 이동 및 전달을 지원하는 방법을 중심으로 살펴봅니다.

내부 물류에서는 자율 모바일 로봇(AMR)과 무인 운반차(AGV)를 사용하여 Industry 4.0 창고 및 생산 시설 주변에서 자재를 효과적으로 이동합니다. 공급망을 간소화하고 속도를 높이려면 내부 물류 시스템에서 자재의 현재 위치, 자재의 의도된 목적지, 자재가 목적지에 도달하는 데 가장 안전하고 효과적인 경로를 알고 있어야 합니다. 이 간소화된 탐색 기능을 사용하려면 다양한 센서가 필요합니다.

내부 물류 솔루션에서 AGV 및 AMR은 센서를 사용하여 상황 인식을 높입니다. 센서 어레이는 주변의 직원을 위한 안전, 다른 장비에 대한 보호, 효율적인 탐색 및 위치 측정을 지원합니다. 응용 분야의 요구 사항에 따라 AMR을 위한 센서 기술에는 범퍼에 내장된 제한 스위치와 같은 접촉 센서, 2D 및 3D 광감지 및 거리 측정기(LiDAR), 초음파, 2D 및 스테레오 카메라, 레이더, 인코더, 관성 측정 장치(IMU), 광전지 등이 포함됩니다. AGV의 경우 센서는 자기, 유도 또는 광학 라인 센서, 범퍼에 내장된 제한 스위치, 2D LiDAR, 인코더를 포함할 수 있습니다.

이 시리즈의 첫 번째 기사에서는 내부 물류를 구현하고 필요에 따라 자재를 효율적으로 이동하기 위해 시스템 수준에서 AMR 및 AGV를 사용하는 방법과 관련된 문제를 설명했습니다.

이 기사에서는 센서 융합과 AMR 및 AGV에서 센서와 AI 및 ML을 조합하여 위치 측정, 탐색 및 작동 안전을 제공하는 방법을 중심으로 살펴봅니다. 먼저 AGV에서 발견되는 일반 센서에 대해 간략하게 검토하고, 센서 융합을 사용하여 로봇 자세, 동시 위치 및 매핑(SLAM) 알고리즘을 살펴보고, 스캔-맵 일치 및 스캔-스캔 일치 기술을 사용하여 SLAM 예측을 개선할 수 있는 방법을 고려하고, 마지막으로 AMR 및 AGV의 안전한 작동에 센서 융합이 어떻게 기여하는지를 살펴봅니다. DigiKey는 로봇 및 기타 산업 응용 분야의 모든 경우를 위한 다양한 센서 및 스위치를 제공하여 설계자를 지원합니다.

AMR에서 자율 작동 및 안전을 지원하려면 다양한 센서와 센서 융합, AI, ML 및 무선 연결이 필요합니다. AGV의 경우 성능 요구 사항은 낮지만 여러 센서를 사용하여 안전하고 효율적인 작동을 지원할 수 있습니다. 센서에는 두 가지 중요한 범주가 있습니다.

• 자기수용 센서는 휠 속도, 부하, 배터리 충전 등과 같은 로봇 내부 값을 측정합니다.
• 외수용성 센서는 거리 측정, 랜드마크 위치, 장애물 식별(예: 로봇 경로에 진입하는 사람)과 같은 로봇 환경 관련 정보를 제공합니다.

AGV 및 AMR의 센서 융합에서는 자기수용 센서와 외수용성 센서를 조합하여 사용합니다. AMR 센서의 예는 다음과 같습니다(그림 1).

• 20m 이상 범위에서 물체를 감지하는 레이저 스캐너
• 6축 자이로스코프와 가속도계, 자력계(경우에 따라 포함)가 부착된 IMU
• 휠에서 mm 해상도를 지원하는 인코더
• 예기치 못한 물체와 접촉하면 동작을 즉시 멈추기 위한 접촉 센서(예: 범퍼에 내장된 마이크로 스위치)
• 4m 범위를 지원하는 전방 3D 카메라 2대
• 플랫폼의 모서리를 감지(클리프 감지라고 함)하는 하향 센서
• 연결을 제공하고 실시간 위치 서비스(RTLS) 또는 5G 송/수신 지점(TRP)에 대한 Bluetooth 도래각(AoA) 및 발사각(AoD)을 선택적으로 감지하여 cm 단위 정확도로 도표를 그릴 수 있는 통신 모듈
• 차량 전방의 장애물 근접도를 계산하기 위한 2D LiDAR
• 물체 식별 및 위치 측정에 적합한 광각 3D 깊이 비전 시스템
• 센서 융합, AI 및 ML을 위한 온보드 고성능 컴퓨팅 프로세스

그림 1: 내장형 센서의 다양성과 위치를 보여주는 전형적인 AMR (이미지 출처: Qualcomm)

로봇 자세 및 센서 융합

AMR 항법은 복잡한 공정입니다. 첫 번째 단계에서 ARM은 위치와 방향을 확인합니다. 이 데이터 조합을 로봇의 자세라고 합니다. 자세 개념을 다축 정적 로봇의 팔과 엔드 이펙터에도 적용할 수 있습니다. 센서 융합에서는 IMU, 인코더, 기타 센서의 입력을 결합하여 자세를 결정합니다. 자세 알고리즘에서는 좌표 축을 기준으로 로봇의 (x, y) 위치와 방향각 θ를 측정합니다. q = (x, y, θ) 함수는 로봇의 자세를 정의합니다. AMR에서는 자세 정보가 다음과 같은 다양한 용도로 사용됩니다.

• 외부 참조 프레임 또는 로봇에 상대적인 침입자(예: 로봇에 접근하는 사람)의 자세
• 미리 정해진 시간 동안 지정된 속도로 이동한 이후 로봇의 예상 자세
• 로봇이 현재 자세에서 두 번째 자세로 전환하는 데 필요한 속도 프로파일 계산

자세는 다양한 로봇 소프트웨어 개발 환경에서 미리 정의된 기능입니다. 예를 들어 robot_pose_ekf 패키지는 오픈 소스 개발 플랫폼인 로봇 운영 체제(ROS)에 포함됩니다. Robot_pose_ekf는 다양한 센서의 (부분) 자세 측정을 기반으로 하여 로봇의 3D 자세를 예측하는 데 사용될 수 있습니다. 이 패키지는 확장된 Kalman 필터를 6D 모델(3D 위치 및 3D 방향)과 함께 사용하여 휠 주행 거리 측정용 인코더, 시각적 주행 거리 측정용 카메라 및 IMU의 측정을 결합합니다. 다양한 센서가 서로 다른 속도와 대기 시간에 따라 작동하므로 robot_pose_ekf는 모든 센서 데이터를 연속적이거나 동시에 사용할 필요가 없습니다. 각 센서는 공분산을 통해 자세 예측을 제공하는 데 사용됩니다. Robot_pose-ekf는 임의의 시점에서 사용 가능한 센서 정보를 식별하여 적절히 조정합니다.

센서 융합 및 SLAM

AMR이 작동하는 대부분의 환경에는 수시로 이동할 수 있는 가변 장애물이 포함되어 있습니다. 시설의 기본 맵도 유용하지만 더 많은 맵이 필요합니다. 산업 시설 주위로 이동할 때 AMR은 자세 정보보다 더 많은 정보가 필요하며, SLAM을 사용하여 효과적으로 작동하는지 확인합니다. SLAM은 항법을 지원하기 위해 실시간 환경 매핑을 추가합니다. SLAM에 대한 두 가지 기본 접근 방식은 다음과 같습니다.

• 카메라를 IMU와 연결하는 시각적 SLAM
• 레이저 센서(2D 또는 3D LiDAR)를 IMU와 결합하는 LiDAR SLAM

LiDAR SLAM은 시각적 SLAM보다 더 정확할 수 있지만 일반적으로 구현하는 데 더 많은 비용이 들고 5G를 통해 위치 측정 정보를 제공하여 시각적 SLAM 측정을 개선할 수도 있습니다. 창고 및 공장에서 사설 5G 네트워크를 사용하여 SLAM을 위한 내장형 센서를 강화할 수 있습니다. 일부 AMR은 5G 송/수신 지점(TRP)에서 실내 정밀 포지셔닝을 구현하여 x축, y축, z축에서 cm 단위 정확도로 도표를 그립니다.

성공적인 항법을 위해 AMR이 변화하는 환경 요소에 따라 조정될 수 있어야 합니다. 항법은 시각적 SLAM 및/또는 LiDAR SLAM, 오버레이 기술(예: 5G TRP) 및 ML을 결합하여 환경 변화를 감지하고 지속적으로 위치 업데이트를 제공합니다. 센서 융합은 다음과 같은 다양한 방식으로 SLAM을 지원합니다.

• AI와 ML을 사용하여 다양한 센서의 입력을 기반으로 환경의 공간 모델과 의미론적 모델을 지속적으로 업데이트
• 장애물 식별(경로 계획 알고리즘을 사용하여 필요한 조정을 수행하고 환경을 통해 가장 효과적인 경로 찾기)
• 경로 계획 구현(환경 변화에 따라 실시간 제어를 통해 AMR의 속도와 방향을 비롯한 계획된 경로를 변경해야 함)

SLAM으로 부족한 경우

SLAM은 효과적인 AMR 항법에 필수적인 도구이지만 SLAM 만으로는 충분하지 않습니다. 자세 알고리즘과 마찬가지로 SLAM은 예상 값을 제공하는 확장된 Kalman 필터를 사용하여 구현됩니다. SLAM 예상 값은 선형 속도, 회전 속도, 선형 가속 등을 추가하여 자세 데이터를 확장합니다. SLAM 예측은 2단계 프로세스입니다. 초기 단계에서는 운동의 물리 법칙을 기반으로 내부 센서 분석을 사용하는 컴파일링 예측이 포함됩니다. SLAM 예측의 나머지 단계에서는 초기 예측을 개선하기 위해 외부 센서 판독값이 필요합니다. 이 2단계 프로세스는 시간에 걸쳐 컴파일하여 중대한 오류로 발전할 수 있는 작은 오류를 제거하고 수정하는 데 도움이 됩니다.

SLAM은 센서 입력의 가용성에 의존합니다. 예를 들어 센서의 직접 가시거리 내에 물체가 없는 경우 상대적으로 저렴한 2D LiDAR로는 소용이 없을 수도 있습니다. 이 경우 3D 스테레오 카메라 또는 3D LiDAR을 사용하여 시스템 성능을 개선할 수 있습니다. 하지만 3D 스테레오 카메라 또는 3D LiDAR은 더 비싸며 구현하려면 더 우수한 컴퓨팅 성능이 필요합니다.

다른 대안으로는 2D LiDAR 센서를 통해서만 구현될 수 있는 스캔-맵 일치 및 스캔-스캔 일치와 SLAM을 통합하는 항법 시스템을 사용할 수 있습니다(그림 2).

• 스캔-맵 일치에서는 LiDAR 범위 데이터를 사용하여 범위 측정을 저장된 맵과 비교하여 AMR의 위치를 예측합니다. 이 방법의 효율은 맵의 정확도에 따라 다릅니다. 시간에 따른 드리프트는 발생하지 않지만 반복 환경에서 식별하기 어렵고 감지된 위치가 불연속적으로 변경되어 제거하기 어려운 오류가 발생할 수 있습니다.
• 스캔-스캔 일치에서는 순차적 LiDAR 범위 데이터를 사용하여 스캔 간 AMR 위치를 예측합니다. 이 방법에서는 기존 맵에 상관없이 AMR에 대한 업데이트된 위치 및 자세 정보를 제공하므로 맵을 만들 때 유용할 수 있습니다. 하지만 이 방법은 시간에 따라 드리프트가 발생하고 드리프트로 인한 부정확성을 식별할 수 없는 증분적 알고리즘입니다.

그림 2: 스캔-맵 및 스캔-스캔 일치 알고리즘을 사용하여 SLAM 시스템의 성능을 보완하고 개선할 수 있습니다. (이미지 출처: Aethon)

센서 퓨전의 안전 요구 사항

안전은 AGV 및 AMR의 핵심 과제이며 다양한 표준을 고려해야 합니다. 예를 들어 미국 표준 협회/산업용 트럭 표준 개발 기구(ANSI/ITSDF) B56.5 – 2019, 무인 자율주행 산업용 차량 및 유인 산업용 차량 자동화 기능을 위한 안전 표준, ANSI/로봇 산업 협회(RIA) R15.08-1-2020 – 산업용 모바일 로봇 표준 – 안전 요구 사항, 다양한 국제표준기구(ISO) 표준 등을 고려해야 합니다.

AGV 및 AMR을 안전하게 작동하려면 안전 인증 2D LiDAR 센서(안전 레이저 스캐너라고도 함)를 휠의 인코더와 결합하는 센서 융합이 필요합니다. 2D LiDAR은 두 감지 거리를 동시에 지원하고 270° 감지 각도를 지원하며 인코더에서 보고되는 차량 속도에 따라 조정됩니다. 먼 감지 영역(최대 20m, 센서에 따라 다름)에서 물체가 감지되면 필요에 따라 차량을 감속할 수 있습니다. 진행 방향에서 물체가 가까운 감지 영역으로 다가오면 차량이 멈춥니다.

안전 레이저 스캐너는 주로 차량의 각 모서리에 하나씩 4개 세트로 사용됩니다. 이 스캐너는 단일 장치로 작동하고 차량의 안전 컨트롤러와 직접 통신할 수 있습니다. 스캐너는 안전 범주 3, 성능 수준 d(PLd) 및 안전 무결성 수준 2(SIL2) 응용 분야에 사용하도록 인증되며 대부분의 실외 및 실내 응용 분야에 적합한 IP65 인클로저에 실장됩니다(그림 3). 스캐너에는 센서 융합을 지원하기 위한 휠의 증분식 인코더 정보에 대한 입력이 포함되어 있습니다.

그림 3: AMR 및 AGV의 안전한 작동을 제공하는 센서 융합 시스템에서 이러한 2D lidar 센서를 휠의 인코더와 결합할 수 있습니다. (이미지 출처: Idec)

결론

내부 물류는 Industry 4.0 창고 및 공장에서 더 빠르고 효과적인 공급망을 지원합니다. AMR 및 AGV는 내부 물류에서 자재를 시기적절하고 안전한 방법으로 이동하는 데 중요한 도구입니다. 자세 결정, SLAM 데이터 계산, 스캔-맵 일치 및 스캔 간 일치를 사용하여 항법 성능 개선, 공장 전반에서 직원과 물체의 안전 보장 등 AMR 및 AVG 기능을 지원하려면 센서 융합이 필요합니다.