상세보기

SCHUNK, 자율 그리핑 AI와 결합된 SCHUNK SVH 5 핑거 핸드, 특정 위치의 어떠한 물체도 식별 가능 최교식 기자입력 2019-04-04 09:05:40

인공 지능 덕분에 SCHUNK SVH 5 핑거 핸드는 특정 위치의 어떠한 물체도 식별 가능하고, 자율적으로 물체에 따른 그리핑 전략을 전개하여 적용할 수 있다(사진. SCHUNK).

 

산업용 그리핑은 급격한 변화를 겪고 있다. 과거 그리핑 공정은 주로 생산성과 공정 신뢰성을 높이는 방향이 주축을 이루었다. 하지만 스마트 공장의 출현으로 유연성이 점점 더 중요한 요소가 되고 있다. SCHUNK 비전에 따라 미래의 그리퍼는 유연한 작업뿐 아니라, 심지어 자율 핸들링 시나리오까지 가능하게 할 것이다.


최근까지 산업용 그리핑은 비교적 유연성이 떨어졌다. 따라서 부품의 기하구조뿐만 아니라 정확한 잡기 및 놓기 위치도 알고 있어야 했다. 신뢰할 수 있는 핸들링 공정은 반복 가능한 부품 피딩 작업에 기반하여 이송 경로를 사전 정의하고 목표점 좌표를 지정해야만 가능하다. 디지털화가 대두되면서 고도로 자동화되고, 완전히 네트워크화된 자율 제조 시스템 쪽으로 트렌드가 이동하고 있다.

 

인공지능
이러한 환경에 힘입어 인공 지능(AI)이 점차 더 중요해지고 있다. 카메라와 조합된 그리퍼용 최초 인지 지능 애플리케이션은 이미 가능하다. 이로써 사용자에 의한 직관적인 교육과 로봇에 의한 그리핑 작업의 자율 핸들링이 가능하다.

 

이러한 애플리케이션에 대하여, SCHUNK는 구성품 변형의 수를 제한하여 실용적이어서 산업 지향적인 핸들링 공정을 신중하게 설계한다. 이 과정에서 분류와 교육 과정을 간소화한다. 기계 학습 접근법을 워크피스와 그리핑 공정 분류에 사용한 초기 사용 케이스에서는 연동 잠금 건물 블록이 임의로 조합되어 작업면에서 임의 배열로 경량 로봇에게 주어진다. 로봇의 업무는 블록을 잡아서 운반하는 것이다.

 

2D 또는 3D 카메라와의 상호작용을 통한 자가 학습 시스템은 몇 차례의 학습 사이클 이후 신속하게 그리핑 신뢰성을 높이고 있다. 그리퍼는 매번 파지할 때마다 공작물을 성공적으로 잡고 운반하는 방법을 학습한다.

 

지속적인 최적화를 통한 효율적인 학습
몇 차례의 교육 세션 이후, 네트워크는 해당 범위의 워크피스를 핸들링 하는 방법과 결과적인 조합 옵션을 분류한다. 그리퍼는 학습된 경험에 근거하여 워크피스를 잡고 운반하는 방법을 알게 된다. 알고리즘의 지능 덕분에 그리퍼는 워크피스의 향후 조합 및 배열을 자체로 분류한다. 이러한 방식으로 시스템은 부품을 자율적으로 상황에 민감하게 핸들링 할 수 있다. 알고리즘은 지속적으로 AI 방법을 사용하여 적응된다. 그러면 이전에는 인지할 수 없었던 상관관계가 밝혀지고 핸들링 공정을 추가로 개선할 수 있게 된다.

최교식 기자
로봇시대의 글로벌 리더를 만드는 로봇기술 뉴스레터 받기
전문보기
관련 뉴스
의견나누기 회원로그인
  • 자동등록방지