ETRI Webzine
산업재해를 줄일 AI 로봇 기술의 도래
필드로보틱스연구실 서범수 실장
Vol.247 January
ETRI가 산업재해 예방을 도울 로봇 기술을 선보였다.
AI가 접목된 로봇이 서로 협업해
근로자와 현장 설비의 이상 상황을 탐지하는 기술이다.
로봇 연구자로서 사람의 삶에 실질적인 도움이 될 수 있는 기술을
개발하는 연구자가 되고 싶다고 말하던 서범수 실장.
그의 연구실을 방문해 보았다.
저희가 개발한 로봇 기술은 산업재해 예방과 안전 관리를 목적으로 한 안전순찰로봇(Safety Patrol Robot)과 감독순찰로봇(Supervisory Patrol Robot)으로 구성돼 있어요.
이 기술은 4족 보행 로봇과 고정형 CCTV 등 다양한 에이전트가 협업할 수 있는 프레임워크를 기반으로 작동해요. 근로자의 안전과 설비 상태를 실시간으로 점검하는 데 특화되어 있지요.
최근 중대재해처벌법 시행에 따라 산업현장에서 안전순찰로봇이 시범적으로 적용되고 있어요. 앞으로 각기 다른 장비를 가진 로봇 간 협력 기술이 산업 안전 관리의 핵심적인 역할을 할 것으로 기대하고 있습니다.
산업현장 이상 상황 판단을 위한 전체 시스템 구성도
로봇 간 협업 기술의 핵심은 다중 에이전트 협업 제어 기능이에요. 안전순찰로봇은 주기적으로 지정된 경로를 따라 시설을 점검하며, 협업 프레임워크는 이 임무를 세부 실행 단위로 분해하죠.
임무 수행 중 이상 상황이 발생하거나 추가 확인이 필요하면 감독순찰로봇이 이를 이어받아 연속적으로 정밀 작업을 수행해요. 예를 들어, 안전순찰로봇이 구조물로 인해 게이지 판독을 제대로 하지 못한 경우, AI 모듈이 이를 인지해요. 그리고 협업 프레임워크를 통해 감독순찰로봇에게 해당 지점의 정밀 촬영이나 추가 점검을 요청하는 거예요.
이런 협력 과정은 실시간 정보 공유와 작업 분배를 통해 이루어져요. 그리고 고정형 CCTV와의 데이터 연계로 작업의 신뢰성을 더욱 높여주고 있죠.
실제 산업현장에서의 쓰러짐 검출 기술 실증
이상 상황 판단의 대상은 작업자와 설비로 구분할 수 있어요. 작업자 위험 상황 판단 기술은 YOLO-NAS1)를 백본으로 사용하는데요. 근로자의 안전 복장 미착용, 쓰러짐 등의 이상행동을 신속히 탐지하죠. 이를 위해 열화상 CCTV, 실내·외 CCTV, 웹 검색엔진, 스마트폰, 자율주행 시점 등 15개 도메인에서 수집된 약 43만 장의 이미지와 141만 개의 데이터 인스턴스를 활용해 학습했어요.
이러한 방대한 데이터를 기반으로, 로봇은 근로자의 안전 상태를 정확하게 모니터링하고 이상 상황을 판단할 수 있어요. 설비 이상 상황 판단 기술은 객체 검출에 YOLOv4를 사용해요. 그리고 자체 개발한 OCR2) 숫자 인식기를 적용해 게이지의 온도, 압력, 수위 등의 데이터를 판독하고 분석하죠. 이런 기술은 정유공장, 발전소, 석유화학 시설 등에서 효율적인 설비 점검과 데이터 분석을 가능하게 합니다.
1) YOLO-NAS: You Only Look Once(YOLO)라는 실시간 객체 탐지 알고리즘의 한 변형으로, Neural Architecture Search(NAS)를 활용해 설계된 모델이다. YOLO 시리즈는 빠르고 정확한 객체 탐지로 유명하다.
2) OCR(Optical Character Recognition): 이미지나 문서에 포함된 텍스트를 디지털 데이터로 변환하는 기술이다. 종이에 쓰여 있거나 사진 속에 보이는 글자를 컴퓨터가 읽고 이를 편집 가능한 텍스트로 변환하는 기술이다.
본 기술은 산업 현장에서 근로자의 안전과 설비 점검 업무를 자동화하는 데 활용돼요. 안전순찰로봇은 지정된 경로를 따라 설비 상태와 근로자의 이상행동을 점검하고, 이를 관제센터로 전송합니다. 관제센터에서는 AI 융합 분석 기술을 활용해 게이지 데이터와 근로자 상태를 자동으로 분석해 이상 상황에 신속히 대응할 수 있습니다.
감독순찰로봇은 고위험 구역의 정밀 점검과 같은 추가 작업을 수행해 안전성을 더욱 강화하는데요. 반복적인 점검 작업을 자동화하고, 위험 지역에서 근로자의 접근을 최소화함으로써 사고를 예방하고 생산성을 높이는 데 기여합니다. 이를 통해 사각지대를 해소하고 24시간 지속적인 감시가 가능하게 되죠.
이처럼 역할과 기능이 다른 로봇을 협력시켜 단일 로봇이 가진 임무 장비 탑재 공간, 배터리 용량 등의 한계를 극복할 수 있었어요. 이동형 로봇이 문제를 감지하면 팔이 장착된 로봇이 이를 해결하거나, 고정형 CCTV와 이동형 로봇이 데이터를 공유해 이상 상황을 더욱 정밀하게 파악하는 식으로요. 로봇 간의 협력으로 안전성과 효율성을 동시에 높였죠.
개발 과정에서 가장 어려웠던 부분은 산업현장의 데이터 활용 제약과 산업 특화 알고리즘 개발의 필요성이었어요. 산업현장은 데이터 접근이 제한되어 있어 충분한 학습 데이터를 확보하기 어려웠거든요.
이를 극복하기 위해 시뮬레이션 데이터를 활용하고, 기업과의 협력을 통해 제한적인 데이터를 최적화해 활용할 수 있는 방안을 마련했죠. 이러한 노력 덕분에 산업현장에 최적화된 AI 모델을 개발할 수 있었어요.
실제 현장 데이터를 수집하기 위해 참여연구원들이 고생을 많이 했어요. 울산에 있는 정유공장에 들어가 안전 장비를 착용하고 늦가을 추위에 손을 호호 불어가며 데이터를 수집하고 테스트를 진행했죠. 이 자리를 통해 감사하다는 말씀을 전하고 싶어요.
기술적 측면에서는 개발된 다중 로봇 기반의 이상 상황 판단 기술을 실제 현장에 적용하여 고도화하는 것을 계획하고 있어요. 앞서 말씀드린 현장 데이터에 대한 획득과 처리의 어려움을 해결하기 위해 동일 사업에서 개발된 블록체인 기반 AI 데이터 수집 및 학습 프레임워크와 연동을 계획 중입니다.
