[제247호 과학학술: 비대면 시대의 Foodtech] 비대면 시대가 가져온 Foodtech, 서빙로봇

4차 산업혁명은 외식업계에도 큰 영향을 미쳐 다양한 푸드테크 기술이 개발, 성장하고 있다. 그중 서빙로봇은 비대면 시대를 맞아 가장 각광받는 분야로 떠올랐다. 우리가 알던 기존의 로봇과는 다른 차세대 서비스 로봇들이 우리 삶을 편리하게 채워주고 있다. 이에 본보는 서빙로봇을 소개하고, 새로운 로봇 트렌드를 알리고자 한다.

서빙로봇의 등장

▲ <그림 1> 푸두사의 ‘푸두봇’

로봇은 산업용 로봇과 서비스 로봇으로 구분 지을 수 있다. 산업용 로봇은 산업 현장에서 사용되는 자동화 로봇, 인간과 협력하는 코봇(Co-bot), 인간의 안전과 작업 능력을 향상 시 켜주는 웨어러블 로봇 등으로 진화하면서 적용 분야가 확대되 고 있다. 서비스 로봇은 물류, 배송, 전문서비스 로봇으로 구분 되며 전문 서비스 로봇은 의료, 서빙, 요리 등 다양한 인간의 활동영역에서 활용된다. 코로나19로 언택트 기술의 관심도와 중요도가 커지면서 이들 로봇 기술 중에서도 기존의 로봇과 차 별화되는 상황판단기능과 자율동작기능이 추가돼 사람과 협력 하는 차세대 로봇의 역할이 그 어느 때보다 주목받고 있다.
서비스 로봇은 사용자에게 편의성을 주고 사용자에게 높은 효율성을 갖게 하는데 그 역할이 있다. 이와 같은 서비스 로봇 의 범위는 음식의 영역까지 도달하여, 음식(Food)과 기술 (Technology)의 합성인 푸드테크(Foodtech)라는 트랜드를 만들어 냈다. 위 트랜드는 고객에게 음식을 전달하는 서빙이 라는 서비스를 위한 서빙로봇(Serving Robot)을 발현하였다. 서울에 있는 음식점 대부분은 키오스크(Kiosk)를 통하여 주 문을 받고, 위 주문을 종업원이 요리하고, 완성된 요리를 전달 한다. 서빙로봇은 완성된 요리를 전달하는 역할을 담당한다. 서빙로봇은 공간에 대한 학습을 스스로 진행하고 이를 바탕으 로 목적지까지 스스로 이동할 수 있다. 서빙로봇은 음식을 전 달하고, 식사가 끝난 그릇을 다시 가져오는 1차적 반복 노동을 담당한다고 볼 수 있다.
<그림 1>은 대표적인 서빙로봇인 중국 푸두사의‘푸두봇 (PUDUBOT)’이다. 푸두봇은 라이다 센서, 비주얼 센서, 관 성 센서(IMU), 엔코더 등을 기반으로 하는 다중 센서 퓨전 기술이 탑재되어 있고, 자율 주행 자동차에 들어가는 슬램 (SLAM) 기술을 갖춰 실시간 이동 경로 탐색이 가능하다. 한 국의 네이버랩스사는 현대로보틱스와 협력하여 3차원 실내 정밀 지도 제작 로봇‘M1’과 맵 클라우드 기반 자율주행 서비 스 로봇인‘AROUND’를 개발하였다.

서빙로봇을 위한 기반 기술들

서빙로봇의 구현에 필요한 주요 기능은 슬램(SLAM) 기술과 내비게이션(Navigation) 기술이다. 첫 번째로, 슬램(SLAM, Simultaneous Localization And Mapping) 기술은 동시적 위치 추정 및 지도 작성을 의미한다. 로봇이 주변 환경을 인식하여 그 공간의 지도를 작성하면서 로봇 스스로 자신의 위치를 판단하고 동시에 새로운 환경의 지도를 작성하는 것이다. 슬램 기술은 경로 계획 및 장애물 회피 등의 자율주행을 위한 핵심기술이며 위성항법장치(GPS) 신호가 통하지 않는 실내 환경에서 사용할 수 있다는 장점이 있다. 지도작성에는 주로 라이다(LiDAR) 센서가 사용된다. 라이다는 레이저 빔을 대상물에 발사하고 반사되어 돌아오는 시간을 측정하여 거리 및 위치를 계산해 내는 시스템이다. 라이다를 통하여 가져온 2차원 또는 3차원 포인트 클라우드 데이터를 통하여 지도를 작성할 수 있는데, 라이다 포인트 클라우드 매칭에는 ICP(Iterative Closet Point) 및 NDT(Normal Distributions Transform) 알고리즘 등이 사용되며 2D 또는 3D 포인트 클라우드 지도는 그리드(Grid) 또는 복셀(Voxel) 지도로 표현된다.
다음으로, 지도상에서 서빙로봇이 어디에 위치하는지에 대한 정보인 위치 추정이 필요하다. 서빙로봇의 위치 추정에 사용되는 대표적 센서로는 엔코더(Encoder)와 관성센서(IMU)가 있다. 엔코더는 구동부인 바퀴의 회전량을 측정하여 추측 항법(Dead Reckoning)을 통해 출발 위치에서 항로와 속력을 계산하여 추정위치(Reckoning Position)를 계산한다. 하지만 무게, 바닥의 재질 등 다양한 외력에 영향을 받아 오차가 생긴다. 이 오차를 극복하기 위해 관성 센서(IMU)에서 측정한 관성 정보가 활용된다. 관성 정보는 서빙로봇이 어떻게 움직이는지 알 수 있는 데이터를 통하여 위치 정보의 오차를 보상해준다. 또한, 엔코더 없이 관성 센서만으로도 위치추정이 가능하다. 이러한 위치추정은 지도를 작성할 때 사용되는 거리 센서나 카메라를 통해 얻은 주변 환경의 정보를 기반으로 다시 한번 위치를 바로잡는다. 이 위치 추정 방법으로는 칼만 필터(Kalman filter), 마르코프 위치 추정(Markov localization), 파티클 필터(Particle filter)를 이용한 몬테카를로 위치 추정(Monte Carlo Localization) 등이 있다.
두 번째로, 내비게이션(Navigation) 기술은 슬램(SLAM)을 통해 작성한 지도를 바탕으로 출발지와 목적지까지의 경로를 설정하고 이동경로에 장애물이 있는 경우 이를 피해 경로를 재설정하고 주행하는 기술이다. 슬램을 통해 지도를 만들고 엔코더와 관성센싱(IMU)으로부터 얻은 오도메트리(Odometry) 정보를 기반으로 로봇 스스로 자신의 위치를 지각할 수 있다면, 이제는 목적지까지 안전하게 음식물을 전달할 수 있는 내비게이션 기능이 서빙로봇에 필요하다. 내비게이션에서는 슬램을 활용하여 얻은 점유 그리드 맵(Occupancy Grid Map)과 관성 센서로부터 얻은 자료들을 활용하여 코스트맵(Costmap)을 활용하게 된다. 각 셀은 0~255의 값으로 구성되며, 255는 점유된 영역, 0은 자유로운 영역, 1~254는 충돌 가능성이 있는 지역으로 구분된다. 충돌 가능성이 있는 지역을 세분화하여 충돌 안정성을 보완할 수 있다. 또한, 이 그리드의 간격이 좁으면 알고리즘이 느려지지만, 넓은 경우에는 동작에 이상을 줄 수 있으므로 알맞은 그리드 간격을 잡는 것이 중요하다. 이제 움직이는 로봇은 자신의 위치가 어디인지 실시간으로 파악해야 한다. 이때 위치의 추정은 확률로 계산되며 주로 AMCL(Adapive Monte Carlo Localization)기술이 사용된다. 이는 세바스찬 스런(Sebaseuchan Seuleon)교수의 로봇공학 확률의 몬테카를로 위치 추정을 기반으로 한다. 몬테카를로 위치 추정 알고리즘은 구현이 쉽고 전역 위치 추정에 높은 신뢰를 가져 로봇공학에 주로 사용된다.
서빙로봇은 출발지에서 목적지까지 이동 중에 장애물이 있는 경우 장애물과의 충돌을 피해 우회경로로 가야 한다. 먼저 이동할 수 있는 자유로운 영역 및 충돌 가능성이 낮은 지역을 생각하고, 두 번째로 이 공간에서 할 수 있는 최적의 경로를 선택한다. 이 해결책은 해당 장애물과 접촉이 없어야 하고 짧은 시간 내에 목적지에 도달할 수 있어야 하므로 보통 안전한 원형 궤도를 그리는 DWA(Dynamic Windows Approch)기법을 이용한다.

▲<그림 2> 서빙 로봇 플랫폼 구성


추가적으로, 천장 마커 기술이 필요하다. 슬램과 내비게이션 기능을 통해서 GPS가 통하지 않는 실내 환경에서 자율주행을 완료할 수 있다. 하지만 현재에는 위 두 가지 기술만으로는 식당 특성상 오차를 cm 단위로 줄이기 어렵다. 이를 극복하는 방법으로 인공마커 기술이 활용된다. 고정밀도 측위를 위해 천장에 검은색 사각형에 흰색 표식의 마커를 부착해 효과적으로 자신의 위치를 추정할 수 있는 인공마커를 활용하여 정확도를 올릴 수 있다. 검은색 마커에는 보통 흰색 모형으로 표식이 되어 있는데 이는 마커ID 판단의 기준으로 활용된다. 검은 사각형에 흰색 모형은 카메라를 통해 쉽게 인식될 수 있도록 하며, 사각형 꼭짓점 부근의 정보를 이용하여 대략적인 회전 상황을 판단할 수 있다. 천장에 마커를 붙인 공간에서 서빙로봇 상단에 부착된 카메라를 통해 얻은 이미지를 이용하여 마커 후보 영역을 검출하여 정보를 가져오게 된다.

서빙로봇 시스템의 구성

실제 서빙로봇 구성에는 메인 PC로 엔비디아사의 젯슨 나노(Jetson Nano)를 선택하였다. 이는 슬램(SLAM) 및 네비게이션(Navigation) 기술 사용 시 방대한 연산량을 극복하는 방법일 뿐만 아니라 이후 추가해야 하는 3D카메라(Depth Camera)를 통한 영상처리에서 저전력으로 기능을 수행해, 서빙로봇 운영 시간을 늘리고자 하였다. 서빙로봇의 제어기를 OpenCR로 선택하였다. 직관적인 아두이노 IDE를 통하여 개발시간을 단축할 수 있으며, 이를 통해 토크 제어, 속도제어 등이 가능한 다이나믹 셀을 연동하여 서보 모터의 역할을 수행할 수 있었다. 또한 관성센서(IMU)가 부착되어 가속도계와 회전 속도계, 각도 비율을 측정할 수 있으며, OpenCR이라는 제어기를 통하여 라이다(LiDAR), 터틀봇(TurtleBot) 및 짐벌(Jimbal)을 조정하였다.
위 프로젝트의 차별성은 짐벌(Gimbal)의 사용이다. 관성센서(IMU)를 통해 가속도계뿐만 아니라 회전 속도계의 정보를 얻을 수 있다. 이를 통해 각도 비율을 측정할 수 있으며, 롤(Roll), 피치(Pitch), 요(Yaw) 값을 벡터값으로 하여 실시간 데이터를 획득한다. 서빙로봇의 떨림 현상을 예방하기 위하여 짐벌의 이전 데이터를 활용하여 피드백 제어를 실행하였다. 시간에 따라 가져오는 데이터를 재귀함수를 이용한 평균 필터(Average Filter)로 오차율을 줄였다. 이를 통해 계산된 관성 센서값은 -180도~180도 범위이므로 이를 다이나믹셀로 출력을 주기 위하여 0~4095까지의 정수형으로 값을 스케일링(Scailing)필터를 사용하여 제어값을 변환시켰다. 이를 통해 서빙로봇의 변화량을 모터를 통하여 정반대 방향으로 힘을 가해 서빙하는 음식의 평형을 유지하였다. 위 프로젝트에서 25도까지의 각도를 극복할 수 있는 서빙로봇을 구성하였고. 짐벌을 이용하여 액체 1L, 무게 1kg 내의 서빙 음식을 평형상태를 유지하여 안정적으로 서빙할 수 있다.

▲ <그림 3> 짐벌

서빙로봇은 ROS라는 소프트웨어 플랫폼을 이용하였다. 로봇 소프트웨어 플랫폼이란 로봇 응용프로그램을 개발할 때 필요한 하드웨어 추상화, 디바이스 제어, 센싱, 인식, 슬램(SLAM), 내비게이션(Navigation), 매니퓰레이션(Manipulation) 등의 기능 구현은 물론이고, 패키지 관리, 라이브러리와 다양한 개발 및 디버깅 도구 등을 포함하는 것을 지칭한다. 대표적인 소프트웨어 플랫폼은 로봇 운영체제라고 불리는 ROS(Robot Operating System)이다. ROS는 구조적인 통신 계층을 통해 이기종의 로봇 개체들을 운용할 수 있도록 해주는 대표적인 오픈 소스 로봇 소프트웨어 프레임워크이며, 이미 수많은 로봇 플랫폼에 적용되어 전 세계 유수의 대학과 연구소 등에서 활발히 연구하고 있다.

▲ <그림 4> 25도 장애물 이동

서빙로봇의 미래

정부와 국내 기업들이 생활 편의 로봇의 자율주행 적용 분야를 개발하거나 지원함에 따라 서비스 로봇의 생태계가 구축되고 있다. 서빙로봇과 같은 서비스 로봇은 코로나를 통해 일상이 되어버린 비대면 시대의 추세에 따라 더욱 밝은 전망이 찾아올 것이다. 하지만, 여전히 발전해야 하는 부분도 남아있다. 현재 서빙로봇은 음식을 지정된 위치까지 전달할 뿐 음식이 고객의 테이블에 올라가기까지는 여전히 고객의 노동이 필요하다. 이는 완전 자동화 시스템이라고 불리기에는 무리가 있다. 이를 위하여 서빙로봇은 매니퓰레이터(Manipulator)와의 협업이 필요하다. 또한, 서빙 업무는 고객과 커뮤니케이션하고 서비스 품질에 관해 피드백을 받을 수 있는 중요한 역할이다. 실제 종업원은 단지 서빙만 하는 것이 아니라 청소, 요리 보조, 만족도 조사 등 다양한 임무를 수행한다. 하지만 서빙로봇은 양방향이 아닌 단방향 서비스를 제공한다. 음성으
로만 조작되는 서빙로봇의 경우 정확한 주문 확인이 어렵다는 문제점이 있으며, 서빙로봇의 이동 경로에 고객이 위치하면 충돌방지를 위해 반복적인 안내 사운드가 출력되고 이는 소음을 유발한다. 앞으로는 좀 더 발전된 서빙로봇의 출현 및 보급이 예상된다.
코로나19 이후 급속도로 진행되고 있는 사회·경제의 디지털화와 맞물려 차세대 로봇 기술 및 해당 시장 역시 코로나19가 성장 견인차의 역할을 하고 있다. 글로벌 시장 조사 기업인 ‘Market and Market’이 2019년에 발표한 서비스 로봇의 세계시장전망 보고서로는 글로벌 서비스 로봇 시장은 2018년에 114억 8000만 달러에 달하며 2024년에는 시장규모가 509억 달러에 이를 것으로 전망하고 있다. 또한, 산업통상자원부는 오
는 2023년까지 로봇산업 글로벌 4대 강국으로 발돋움한다는 비전 아래 지난 2019년 8월‘제3차 지능형 로봇 기본계획’을 확정 발표했다. 이 기본계획에 따라 산업부와 한국로봇산업진흥원은 2023년까지 로봇산업 시장 규모를 15조 원으로 확대하고 1천억 원 이상 로봇 전문 기업 수를 20개까지 늘리기로 했다. 서비스 산업은 국민의 생활과 직결된 분야가 많으므로 로봇 강국 실현을 위해선 반드시 육성해야 할 분야이기도 하다.
산업부와 한국로봇산업진흥원은 서비스 로봇 보급 활성화를 위해 돌봄, 웨어러블, 의료, 물류 등 4대 서비스 로봇 분야를 전략 분야로 선정해 육성한다는 계획이다. 특히 개인 맞춤형 서비스에 대한 욕구가 커지면서 서빙로봇을 비롯한 서비스 로봇이 발전할 것으로 예상된다.

최 수 일 / 전남대 전자컴퓨터공학부 교수

**TIP

􏰁* 슬램(SLAM, Simultaneous Localization And Mapping) : 동시적 위치 추정 및 지도작성은 로봇공학 등에서 사용하는 개념으로, 임의 공간에서 이동하면서 주변을 탐색할 수 있는 로봇에 대해 그 공간의 지도 및 현재 위치를 추정하는 기술이다.

􏰁* 내비게이션(Navigation) : 모바일 로봇에서 Navigation은 로봇이 정해진 목적지까지 이동하는 기술이다. 이를 위해 SLAM을 통한 위치 추정, 지도가 필요하며, 다양한 경로 중 최적의 경로를 찾아내고 장애물을 회피할 수 있는 기술이다.

􏰁* 관성센서(IMU, Inertial Measurement Unit) : IMU 센서는 보통 가속도계(Accelerometer), 각속도계(Gyroscope), 지자계(Magmetometer) 센서가 일체형으로 들어가 있다. 가속도계는 직선 운동에 대한 가속도 값을 측정하고, 각속도계는 회전운동에 대한 각도 변화율을 계산하여 자세를 측정하는 용도로 사용된다.

􏰁* 라이다(LiDAR, Light Detection And Ranging) : 레이저 빔을 대상물에 발사하고 반사되어 돌아오는 시간을 측정하여 거리 및 위치를 계산해 내는 시스템이다. LiDAR를 이용해 얻어진 데이터는 수많은 점으로 구성되며, 이 점들을 Point Cloud라고도 한다.