[자료 읽기] (2020) 비대면 시대를 위한 물류로봇 기술 연구 동향

[1] Cornell 대학교에서 Redmon등은 280개의 물체에 대하여 파지점을 포함한 1035개의 이미지가 라벨링 된 DB를 제안하였으며, 이를 CNN을 통하여 학습하고 로봇을 활용하여 물체가 피킹 가능하다는 것을 보여주었다.

Redmon, Angelova, “Real-Time Grasp Detection Using Convolutional Neural Networks”, ICRA2015

 

[2] Delft 공대에서는 Fast R-CNN을 활용하여 박스에 있는 다양한 물체가 혼재 되어있어도 인식할 수 있는 것을 보여 주었다

Carlos, et.al, “eam Delft’s Robot Winner of the Amazon Picking Challenge 2016”, ArXiv:1610.05514v1

 

그러나 이러한 방식은 많은 물체를 미리 학습하거나 주어진 물체에 한정하여 피킹이 가능하였고, 특정 물품만 취급하는 공장출하 물류 공정에서는 가능하나 다중물품을 취급하는 물류 현장에서 활용이 어렵다는 문제점이 있었다.

 

공장에서 충분히 학습된 물체를 정밀 피킹하는 빈피킹(binpicking)과는 달리 많은 종류의 물체를 다루어야하는 풀필먼트물류 오더피킹 분야에서는 기존에 학습하지 않은 물체인 처음보는 물체도 피킹 할 수 있는 기술이 필요하고, 이를 위해서 Nobel Object Picking 기술이 등장하게 되었다.

Novel Object Picking의 접근방법은 대규모 DB를 활용하는 것에서부터 시작되었다. 대규모 DB를 이용하여 많은 종류의 물체를 미리 학습시켜 놓아 범용적인 물체에 대하여 파지점을 인식할수 있는 능력을 갖추는 전략이다. 

 

[5] Berkley의 Dexnet은 물품의 CAD도면과 3D모델을 활용하여 수많은 합성데이터를 DB로 만들어 제공하였으며 GQ-CNN을 통하여 물체를 인식하고 파지할 수 있는 방법을 제시하였다.

Jeffrey Mahler, Jacky Liang et. al, “Deep Learning to Plan Robust Grasps with Synthetic Point Clouds and Analytic Grasp Metrics”, RSS2017

 

[6] Michael Danielczuk등은 32만개의 합성 데이터를 라벨 링해서 구성한 Wisdom-sim DB를 통해 일반 Mask-RCNN으로도 Novel Object Picking이 가능한 것을 보여주었다.

Michael Danielczuk, Matthew Matl, “Segmenting Unknown 3D Objects from Real Depth Images using Mask R-CNN Trained on Synthetic Data”, ICRA2019