전 세계의 창고, 병원 및 제조 시설에서, 자율 모바일 로봇(AMR)은 종종 사람과 함께 동적이고 복잡한 작업을 수행해야 합니다. 변화하는 환경 속에서 로봇이 안전하고 효율적으로 주행하기 위해서는 벽, 장비, 또는 사람과 부딪히지 않고 이동할 수 있어야 합니다. 이를 위해서는 먼저 경로를 계획해야 합니다.
AMR의 주행 시스템에는 네 가지 주요 요소인 센서, 데이터 처리, 맵 제작 및 경로 계획이 있습니다. 센서는 로봇의 주변 위치와 방향을 측정하는 데 사용됩니다. 데이터 처리는 센서의 원시 데이터를 사용할 수 있는 정보로 변환하는 데 사용됩니다. 맵 제작은 로봇의 주변 환경에 대한 모습을 생성하는 데 사용됩니다. 그리고 마지막으로, 경로 계획은 로봇이 취할 최적의 경로를 계산하는 데 사용됩니다.
이번 콘텐츠에서는 경로 설정에 대해 집중적으로 알아 볼 것입니다. 경로 설정이란 무엇이며 어떻게 작동하는지, 로봇이 복잡한 환경을 주행하는 데 사용되는 가장 일반적인 알고리즘이 무엇인지에 관해서 다루겠습니다.
로봇 경로 설정을 쉽게 말하자면 한 위치에서 다른 위치로 이동하기 위한 안전하고 효율적인 방식을 찾는 과정입니다. 이 과정은 경로에 있을 법한 장애물뿐만 아니라 로봇이 작동할 환경까지도 고려합니다.
AMR에 있어서 경로 설정은 없어서는 안 되는 요소입니다. 계획이 허술하면 실수를 하게 되어 로봇이 손상되거나 주변 사람과 물체가 해를 입을 수 있습니다. 계획 알고리즘을 사용하여, AMR은 안전하고 효과적으로 예측할 수 없는 공간을 주행할 수 있습니다.
로봇 경로 설정에 사용할 수 있는 여러 알고리즘은 같은 목표를 공유합니다. 로봇의 시작 지점(또는 위치)에서 목표 위치까지의 최단 경로를 찾는 것입니다.
공간 맵 제작. 공간을 통과하는 가장 효율적인 경로를 결정하기 위해서는 우선 로봇에 주변 공간의 매핑된 모습이 제공되거나 "암시적으로 주변 공간의 모습을 맵으로 작성해야 합니다."
동시 로컬라이제이션 및 맵 제작(SLAM)은 AMR에 사용되는 한 가지 방법으로, 사용자가 맵을 구축하는 동시에 해당 맵에 로봇을 로컬라이제이션할 수 있는 방법입니다.
로봇 경로 설정. 영역이 그리드 또는 그래프 형태의 맵으로 제작된 후에는 로봇이 시작 위치에서 목표까지 빠르고 효율적으로 이동하는 방법을 이해해야 합니다. 이동 방식을 이해해야 경로 계획 알고리즘이 작동할 수 있습니다. 경로 설정에 대한 영상 튜토리얼에서, MATLAB은 이를 다음과 같이 설명합니다.
“그래프 기반 알고리즘은 환경을 이산화하여 작동합니다. 즉, 이산 지점이나 노드로 나눈 다음 이러한 노드만 고려하여 목표까지의 최단 거리를 찾는 것입니다.”
경로 설정은 오직 로봇이 이동하는 곳(시작에서 목표까지 가는 경로)만 나타낸다는 점을 유념하세요. AMR은 동작 계획(로봇 이동 방식)과 함께 경로 계획을 사용하여 주행하고 예측하지 못한 장애물을 피합니다.
그래프 기반 경로 설정 알고리즘에는 일반적인 카테고리가 두 가지 있는데, 검색 기반 알고리즘과 및 샘플링 기반 알고리즘 입니다.
검색 기반 알고리즘. 검색 기반(또는 검색) 알고리즘은 잠재적인 경로를 점진적으로 탐색한 다음 경로에 있을법한 장애물을 모두 고려하여 시작과 목표 간의 가장 효율적인 최단 경로를 제공하는 것을 선택하여 작동합니다.
이러한 검색 방식을 트리로 생각할 수 있습니다. 알고리즘은 규칙적인 패턴으로 노드를 추가해 분기를 만들어 노드 간 각 모서리(또는 직선)의 수치상 비용을 계산합니다. 가장 작은 수(또는 비용)의 경로가 로봇이 궁극적으로 목표에 도달하기 위해 취할 경로입니다.
검색 기반 알고리즘은 효율적이고 강력하지만, 문제점이 있습니다. 검색 기반 알고리즘은 자원 집약적인 경향이 있습니다. 이는 “모든 가능한 경로를 저장할 큰 규모의 공간이 필요하며 경로를 찾는 데 찾는 시간이 많이 든다”는 것을 의미합니다.
이러한 이유로, 검색 기반 알고리즘은 더욱 복잡한 환경의 넓은 공간에서 사용하기에는 덜 효율적입니다.
인기 있고 폭넓게 사용되는 검색 기반 알고리즘인 A*는 세계 최초의 모바일 지능형 로봇인 Shakey용으로 1968년에 개발되었습니다.
샘플링 기반 알고리즘. 샘플링 기반 알고리즘은 노드를 랜덤으로 선택(샘플링)한 다음 트리에서 가장 가까운 노드에 연결합니다. 트리는 목표에 도달하기 위한 최적의 경로를 결정할 때까지 환경을 샘플링하며 분기를 확장합니다.
샘플링 기반 알고리즘은 대규모의 그래프 환경에서도 일반적으로 경로를 찾을 수 있습니다. 하지만, 샘플링 기반 알고리즘은 느려질 수 있고 가장 효율적인 경로를 제안하지 못할 수 있습니다.
급속 탐색 랜덤 트리(RRT)는 1998년에 개발된 알고리즘으로 목표에 도달할 때까지 시작 지점에서 트리를 신속하게 성장시킵니다. RRT*는 RTT로 시작했지만 새로운 분기를 기존 분기에 접목하면서 경로를 개선하려고 시도합니다.
샘플링 및 검색 알고리즘은 모두 그래프 기반입니다. 영역을 그래프로 표시하고 시작부터 목표까지의 문제를 수치로 해결하는 데 의존한다는 것을 의미합니다.
경로 설정에 있어 최근 개발은 AI의 힘을 활용해, 특히 예측할 수 없는 장애물이 있는 복잡한 환경을 주행하는 최적의 방식을 알아내는 것입니다. 머신 러닝 알고리즘은 데이터를 분석하여 환경 내 패턴과 트렌드를 찾고 시작과 목표 간 최적의 경로를 효과적으로 생성할 수 있습니다.
로봇은 강화 학습 알고리즘과딥 러닝을 통해 환경에서 피드백을 받고 주행할 최적의 경로를 예측하며 동작을 조정할 수 있습니다. 머신 러닝은 로봇이 예측할 수 없는 장애물을 피하고 지속해서 변화하는 환경에서 실시간으로 반응하는 방법을 알려줄 새로운 기회를 열어주었습니다.
오늘날 AMR은 종종 예측할 수 없는 장애물이 있는 더 크고 복잡한 환경을 주행해야 합니다. 따라야 할 명백한 경로가 없다면 AMR은 이러한 작업을 안전하고 효율적으로 완료할 수 없을 것입니다.
경로 설정은 발전하는 로봇공학의 일환이자, 동적인 환경에서 센서, 데이터 처리 및 맵 제작으로 로봇이 인간과 함께 작업할 수 있도록 하는 강력한 도구입니다.