LiDAR가 퇴출되고 있습니까? 작별 인사를 위한 비즈니스 사례

자동화가 확산됨에 따라 감지는 점점 더 LiDAR에서 멀어지고 있습니다.

올해 마주하게 될 수많은 로봇 공학 예측 중 특히 주목해야 할 것이 있습니다: 로봇이 "보는" 방식이 근본적으로 변화하고 있으며, 이는 로봇 시스템의 유틸리티 비용과 확산에 큰 영향을 미칠 것입니다.

물론, 로봇이 "본다"고 말하는 것은 약간 오해일 수 있으며, 적어도 로봇이 훨씬 저렴한 장비로 훨씬 더 정교한 감지를 할 수 있도록 하는 소프트웨어와 하드웨어의 복잡한 상호 작용에 대한 환원적인 줄임말입니다. 머신 비전은 다양한 기술을 통합하고 있으며, 불과 얼마 전까지만 해도 달성할 수 없었던 2D 센서의 데이터를 해석하고 처리하기 위해 머신 러닝 및 AI 형태의 소프트웨어에 점점 더 의존하고 있습니다.

소프트웨어에 대한 의존도가 높아짐에 따라 반정형 및 비정형 환경에서 작동하는 로봇의 필수 요소였던 LiDAR와 같은 고도로 전문화된 센서에서 흥미로운 전환이 이루어지고 있습니다. 인간과 AI 소프트웨어의 관계를 결합한 로봇 전문가들은 LiDAR가 실제로 필요하지 않다는 것을 깨닫고 있습니다. 오히려, 머신 비전은 특히 실내 로봇 공학 및 자동화와 관련하여 더 저렴한 비용으로 더 높은 품질의 매핑을 제공하고 있습니다.

참조: 2022년: 로보틱스의 큰 혁명.

진행 중인 변화에 대해 자세히 알아보기 위해 inVia Robotics의 CTO 겸 공동 창립자인 Rand Voorhies와 머신 비전, 자동화의 미래, 그리고 LiDAR가 앞으로 몇 년 동안 로봇의 기본 센서가 될 것인지에 대해 문의했습니다.

GN: 머신 비전, 센서 또는 소프트웨어 분야의 발전은 어디서 이루어졌습니까?

Rand Voorhies: 2D 이미징 센서는 실제로 지속적으로 개선되어 왔지만, 해상도/노이즈/품질이 머신 비전의 광범위한 채택을 제한하는 요인이 된 경우는 거의 없었습니다. 지난 10년 동안 몇 가지 흥미로운 센서 개선이 있었지만(예: 편광 센서 어레이 및 plenoptic/light-field 카메라), 머신 비전 센서의 주요 강점은 비용과 편재성이기 때문에 실제로 주목을 받은 것은 없습니다. 가장 획기적인 발전은 딥 러닝의 출현을 통해 소프트웨어 전선에서 이루어졌습니다. 현대의 딥 러닝 머신 비전 모델은 10년 전의 기술과 비교하면 마법처럼 보입니다. GPU를 사용하는 모든 십대는 이제 10년 전 최고의 연구 실험실을 날려버렸을 객체 인식 라이브러리를 다운로드하여 실행할 수 있습니다. 문제는 2D 이미징 센서가 일반적인 LiDAR 센서보다 훨씬 더 많은 데이터를 캡처한다는 것입니다 - 사용 방법만 알면 됩니다.

최첨단 머신 비전이 비약적으로 개선되고 있지만, 다른 요인들도 훨씬 더 간단한 머신 비전 기술을 채택하는 데 기여했습니다. 배터리 및 모터 기술의 지속적인 발전으로 인해 최종 사용자에게 매우 강력한 ROI를 제공하는 로봇 시스템을 생산할 수 있는 수준까지 부품 비용이 절감되었습니다. ROI가 우수하다면 고객(이 경우 창고 운영자)은 "기준점" 스티커로 환경에 주석을 달 수 있어 기쁩니다. 이 스티커는 매우 저렴한 머신 비전 솔루션이 기준 스티커의 위치와 방향을 초정밀로 감지할 수 있기 때문에 로봇 공학의 치트 코드와 거의 같습니다. 이러한 기준점을 창고 곳곳에 부착함으로써 로봇은 스스로 현지화할 수 있는 지도를 쉽게 구축할 수 있습니다.

GN: LiDAR 도입에 대해 조금 설명해 주시겠습니까? 자율 모빌리티 애플리케이션에서 표준화된 감지 도구가 된 이유는 무엇입니까? 개발자들을 LiDAR로 이끈 머신 비전의 초기 장애물은 무엇이었습니까?

Rand Voorhies: 머신 비전은 LiDAR가 존재하기 전부터 로봇을 안내하는 데 사용되었습니다. LiDAR는 2000년대 초반에 Sebastian Thrun, Daphne Koller, Michael Montemerlo, Ben Wegbreit 등의 획기적인 학술 연구로 인해 상당한 인기를 얻기 시작했습니다. 이러한 연구와 경험은 DARPA 그랜드 챌린지(Thrun이 주도)에서 LiDAR 기반 Stanley 자율 주행 자동차의 지배력으로 이어졌을 뿐만 아니라, 현재 많은 사람들이 사실상의 자율 주행 자동차 센서로 간주하는 것을 생산하는 Velodyne(또 다른 그랜드 챌린지 참가자인 David Hall이 주도)을 설립하는 데 도움이 되었습니다. 챌린지는 LiDAR가 빠르게 움직이는 로봇이 알 수 없고 어수선한 환경을 고속으로 탐색할 수 있는 실행 가능한 기술임을 보여주었습니다. 그 이후로 LiDAR 센서 데이터 처리를 위한 알고리즘 개선에 대한 학계의 관심이 크게 증가했으며 이 주제에 대해 수백 편의 논문이 발표되고 박사 학위가 수여되었습니다. 그 결과, 졸업생들은 많은 학문적 LiDAR 경험을 바탕으로 이론을 실천할 준비가 된 상태로 상업 공간으로 쏟아져 나오고 있습니다.

많은 경우 LiDAR는 작업에 매우 적합한 도구임이 입증되었습니다. 밀집된 3D 포인트 클라우드는 오랫동안 로봇 공학자들의 꿈이었으며 특히 알려지지 않은 동적 환경에서 장애물 회피 및 경로 찾기를 훨씬 쉽게 만들 수 있습니다. 그러나 일부 상황에서는 LiDAR가 작업에 적합한 도구가 아니며 그렇지 않으면 간단한 솔루션에 불필요한 복잡성과 비용을 추가할 수 있습니다. LiDAR가 옳은 때와 그렇지 않은 때를 판단하는 것은 단순히 작동하는 것이 아니라 고객에게 긍정적인 ROI를 제공하는 로봇 솔루션을 구축하는 데 중요합니다.

동시에 머신 비전도 발전했습니다. 머신 비전의 초기 장애물 중 하나는 "나는 멀리 있는 큰 물체를 보고 있는가, 아니면 가까이 있는 작은 물체를 보고 있는가"라는 간단한 질문으로 이해할 수 있습니다. 기존의 2D 비전으로는 차별화할 방법이 없었습니다. 우리의 뇌조차도 펀하우스 관점 환상에서 볼 수 있듯이 속을 수 있습니다. 머신 비전에 대한 현대의 접근 방식은 이를 극복하기 위해 다음과 같은 다양한 접근 방식을 사용합니다.

• 장면의 더 큰 맥락을 이해하여 물체의 거리를 추정하는 경우(예: 내 카메라가 지면에서 2m 떨어져 있다는 것을 알고 있고, 자동차 타이어가 거리를 따라 1000픽셀이므로 25m 떨어져 있어야 한다는 것을 이해합니다).
• 두 개 이상의 중첩 카메라(즉, 스테레오 비전)를 사용하여 장면에 대한 3D 이해를 구축합니다.
• 예를 들어 IMU(관성 측정 장치 - 로봇의 내이와 같은 것)를 사용하여 카메라가 어떻게 움직였는지 "느낌"하고 이러한 움직임을 카메라의 변화하는 이미지와 연관시켜 장면에 대한 3D 이해를 구축합니다.

우리 자신의 뇌는 이 세 가지 기술을 모두 함께 사용하여 단순히 3D 모델을 만드는 것을 넘어 우리 주변 세계에 대한 풍부한 이해를 제공합니다.

GN: 많은 로보틱스 애플리케이션에서 LiDAR보다 머신 비전이 더 나은 기술적 사례가 있는 이유는 무엇입니까?

Rand Voorhies: LiDAR는 지형에 알려지지 않은 것과 불일치가 많은 실외 응용 분야에 매우 적합합니다. 이것이 바로 자율주행차를 위한 최고의 기술인 이유입니다. 실내 환경에서 머신 비전은 더 나은 기술 사례를 만듭니다. 광자가 창고 내의 물체에서 반사되기 때문에 로봇은 LiDAR의 지시에 따라 쉽게 혼동될 수 있습니다. 그들은 예를 들어, 재고 상자와 재고 선반을 구별하는 데 어려움을 겪습니다 -- 둘 다 그들에게 단지 물건일 뿐입니다. 로봇이 대형 창고의 통로 깊숙한 곳에 있을 때 랜드마크를 구별할 수 없기 때문에 길을 잃는 경우가 많습니다. 그런 다음 다시 매핑해야 합니다.

기준 마커와 결합된 머신 비전을 사용함으로써 당사의 inVia Picker 로봇은 언제든지 자신의 위치를 정확히 알 수 있습니다. 그들은 랜드마크를 "보고" 구별할 수 있습니다. 거의 모든 LiDAR 기반 창고/산업용 로봇이 작동하려면 몇 가지 기준 마커가 필요합니다. 머신 비전 기반 로봇에는 더 많은 마커가 필요합니다. 후자는 더 적은 수의 개별 스티커에 비해 긴 스티커 롤을 배포하는 데 추가 시간과 비용이 필요하지만 정기적인 LiDAR 매핑을 수행하는 데 드는 시간과 비용을 고려하면 순수한 시력에 유리하게 균형이 크게 조정됩니다. 결국 창고 환경의 2D 머신 비전은 LiDAR보다 저렴하고 쉬우며 신뢰할 수 있습니다.

로봇 사용에 매우 높은 정밀도와 신뢰성이 필요하지 않은 경우 LiDAR로 충분할 수 있습니다. 그러나 정확도나 가동 시간의 손실을 감당할 수 없는 시스템의 경우 머신 비전 시스템이 실제로 강점을 발휘할 수 있습니다. 기준 기반 머신 비전 시스템을 통해 작업자는 정밀도가 필요한 곳에 정확하게 마커를 배치할 수 있습니다. 랙에서 토트를 피킹하고 배치하는 inVia의 시스템을 사용하면 해당 마커를 토트와 랙킹에 배치하여 모든 토트가 반드시 있어야 할 위치에 정확하게 배치되도록 합니다. 순수한 LiDAR 시스템으로 이를 달성하려고 하면 상업적으로 사용하기에는 비용과 시간이 많이 듭니다.

GN: 더 나은 비즈니스 사례가 있는 이유는 무엇입니까?

Rand Voorhies: 비즈니스 측면에서도 사례는 간단합니다. 머신 비전은 비용과 시간을 절약합니다. LiDAR 기술은 수년에 걸쳐 비용이 감소했지만 여전히 비쌉니다. 우리는 모든 규모의 비즈니스에서 자동화에 액세스할 수 있도록 로봇을 위한 가장 비용 효율적인 기술과 구성 요소를 찾기 위해 최선을 다하고 있습니다. inVia는 복잡한 기술을 단순하게 만든다는 정신을 가지고 있습니다. 

머신 비전으로 주문을 이행하는 데 걸리는 시간과 LiDAR 및 모든 재매핑 요구 사항의 차이는 매우 중요합니다. 이는 고객에게 정시에 또는 하루 늦게 주문을 받는 것의 차이를 의미할 수 있습니다. LiDAR 재매핑으로 인해 로봇을 잃어버리면 해당 시스템의 ROI가 감소합니다. 

하드웨어 자체도 머신 비전을 사용할 때 더 저렴합니다. 카메라는 LiDAR보다 저렴하며 대부분의 LiDAR 시스템에는 어쨌든 기준점이 있는 카메라가 필요합니다. 머신 비전을 사용하면 기준점을 적용하기 위한 일회성 인건비가 추가로 발생합니다. 그러나 토트/랙에 기준점을 한 번 적용하면 노동력이 매우 저렴하고 가동 중지 시간과 오류가 적은 보다 견고한 시스템을 얻을 수 있습니다. 

GN: 머신 비전은 물류 및 주문 처리와 같은 부문에서 로봇 채택과 관련하여 환경을 어떻게 변화시킬까요?

Rand Voorhies: 머신 비전은 이미 기계적인 작업을 자동화하여 노동 생산성을 높임으로써 물류 및 주문 처리 센터에 영향을 미치고 있습니다. 로봇을 사용하여 주문을 이행하는 창고는 부족한 인력을 보충하고 직원들이 의사 결정 및 문제 해결과 관련된 고차원 작업을 관리하도록 할 수 있습니다. 머신 비전을 통해 모바일 로봇이 창고를 탐색하면서 피킹, 보충, 재고 이동 및 재고 관리와 같은 주요 작업을 수행할 수 있습니다. 이 작업은 중단 없이 기계와 같은 정밀도로 정확하게 수행됩니다. 

머신 비전으로 구동되는 로봇 시스템을 사용하면 경제성 때문에 채택에 대한 장벽도 제거되고 있습니다. 기존 자동화 시장에서 가격이 책정되지 않았던 중소기업은 반복적인 작업을 자동화하는 것과 동일한 이점을 얻을 수 있으므로 비즈니스를 성장시킬 수 있습니다.

GN: 창고는 새로운 시스템을 도입하기 위해 로봇 기술 환경을 어떻게 조사해야 합니까?

Rand Voorhies: 현재 시장에는 많은 로봇 솔루션이 있으며, 각 솔루션은 창고 운영자가 직면한 특정 문제를 해결하기 위해 매우 발전된 기술을 사용합니다. 따라서 가장 중요한 단계는 가장 큰 문제를 식별하고 이를 해결하는 솔루션을 찾는 것입니다. 

예를 들어, inVia는 전자 상거래 이행 특유의 문제를 구체적으로 해결하는 솔루션을 만들었습니다. 전자 상거래 주문을 처리하려면 개별 개수에서 많은 수의 서로 다른 SKU에 무작위로 액세스해야 합니다. 이는 대량의 SKU를 검색하여 케이스 및/또는 팔레트에 담아 배송하는 소매 주문 처리와 매우 다릅니다. 두 작업에는 매우 다른 스토리지 및 검색 설정 및 계획이 필요합니다. 무작위로 액세스된 SKU를 검색하기 위해 더 빠른 경로와 프로세스를 특별히 생성하는 독점 알고리즘을 만들었습니다.

또한 전자 상거래는 노동 의존도가 훨씬 높고 시간이 많이 소요되므로 비용이 많이 듭니다. 따라서 이러한 창고는 인건비와 주문을 고객에게 배송하는 데 걸리는 시간을 줄이는 데 도움이 되는 로봇 기술을 채택하기를 원합니다. 그들은 주문을 피킹, 포장 및 배송해야 하는 시기를 지시하는 SLA(서비스 수준 계약)를 가지고 있습니다. 공급업체에 자사의 기술이 이러한 SLA를 충족하기 위해 블록을 제거하는 데 어떻게 도움이 될 수 있는지 문의해야 합니다.