로봇 분야는 흥미롭습니다. 그런데 이상하게 이 로봇 공학은 기술 메커니즘보다 이름·명칭이 더 어렵게 느껴질 때가 있습니다. 낯선 용어가 많아서이기도 하지만, 산업 현장과 기업이 붙여놓은 이름이 늘 친절한 것만은 아니기 때문입니다. 어린 시절 만화 속 로봇으로 이 세계를 처음 접했던 기자 역시 다르지 않습니다. 기사 마감이 코앞인데도 용어를 다시 찾고, 모델명을 하나씩 다시 확인하고, 이게 제품인지 플랫폼인지 솔루션인지 잠시 멈칫한 적이 한두 번이 아닙니다.
기사를 읽는 독자들도 사정은 크게 다르지 않을 것이라 생각합니다. [봇규, 그거 업계 용어죠?!]는 그 헷갈림을 함께 정리해보려는 목적에서 출발했습니다. 거창한 사전보다, 로봇을 읽고 쓰는 사람들이 덜 헤매기 위한 공동의 해설서에 가깝습니다. 로봇 공학의 기본 용어부터 산업계 제품명과 기술 언어까지, 어려운 ‘로봇말’을 조금 덜 어렵게, 조금 더 친근하게 풀어보겠습니다.
로봇의 감각을 봅니다. 로봇은 단순히 강철로 된 팔(Arm)이나 굴러가는 바퀴(Wheel)만으로 정의되지 않습니다. 명령을 수행하기에 앞서 세상을 보고, 거리를 가늠하며, 손끝에 닿는 미세한 힘을 읽고, 광활한 현장 속 자신의 좌표를 스스로 증명해내야 합니다. 로봇의 움직임이란, 수만 개의 데이터가 ‘감각’이라는 필터를 거쳐 정교한 동작으로 전환되는 일련의 지능적 과정입니다.
그냥 보는 ‘눈’인가, 판독하는 ‘뇌’인가
▲ 이동형 로봇에 탑재된 카메라(좌)와 머신비전(Machine-vision)(우) 기술을 이식한 협동 로봇(코봇) 솔루션. (촬영·편집 : 헬로티 최재규 기자)
공장 안 로봇 팔(Robot Arm)이 부품 하나를 집어 올리는 장면은 겉보기에 단순합니다. 컨베이어 위로 흘러오는 부품을 보고, 집고, 옮기면 끝인 것만 같습니다. 하지만 그 이면의 공정은 생각보다 훨씬 까다롭습니다. 부품이 기준선에서 몇 도나 틀어졌는지, 뒤집히지는 않았는지, 표면에 미세한 흠집은 없는지, 지금 이 자세로 집어도 안전한지 등을 찰나의 순간에 판독해야 하기 때문입니다.
여기서 ‘카메라’와 ‘머신비전(Machine-vision)’의 역할이 갈립니다. 카메라는 장면을 받아오는 ‘눈’입니다. 부품 외형, 표면 질감, 마크·바코드 등 시각적 정보가 카메라를 통해 디지털 데이터로 전환됩니다.
반면 머신비전은 그 정보를 해석하는 ‘뇌’입니다. 카메라에서 도출된 화면 속에서 정밀한 좌표를 추출하고, 제품의 불량 여부를 가리며, 로봇이 움직일 최종 경로를 결정하는 지능형 체계로 보면 됩니다.
이들 기술을 한 줄로 요약하면 이렇습니다. 카메라는 단순히 찍고, 머신비전은 비로소 읽습니다. 이때 시각 정보를 데이터로 바꿔 산업용 지능으로 활용하는 과정이 바로 머신비전의 핵심입니다.
이 차이는 현장에서 로봇의 실력을 가르는 척도가 되기도 합니다. 카메라만 달아놓는다고 로봇이 알아서 부품을 집지는 못합니다. 머신비전이 개입해 기준 좌표를 설정하고, 허용 오차를 계산하며, 최적의 파지 각도를 뽑아내야 로봇이 움직입니다. 특히 검사(Inspection) 공정에서는 이 격차가 더 벌어집니다. 카메라가 표면을 비추는 것에 그친다면, 머신비전은 긁힘, 찍힘, 인쇄 불량 등을 데이터로 판독해 '합격'과 '불합격'이라는 최종 판결을 내립니다.
최근에는 여기서 한 단계 더 나아간 3차원 비전(3D Vision) 기술이 주목받고 있습니다. 기존 비전이 평면적인 정보에 의존했다면, 3D 비전은 여기에 깊이(Depth)를 더합니다. 덕분에 무질서하게 쌓여 있는 부품이나 높낮이 차이가 큰 복잡한 구조물도 정밀 측정·검사할 수 있게 됩니다. 3D 이미지를 포착해 로봇의 정교한 가이드 역할을 수행하는 것. 이것이 현대 로봇이 단순 반복을 넘어 고난도 공정에 투입되는 비결입니다.
단절된 ‘점’과 연결된 ‘면’의 결정적 차이
▲ 센서(좌)와 라이다(LiDAR)(우) 기술은 이동형 로봇의 세밀함을 극대화한다. (촬영·편집 : 헬로티 최재규 기자)
로봇이 환경을 인식하는 방식은 목적에 따라 달라집니다. 단순히 ‘얼마나 가까운가’를 따지는 로봇이 있는가 하면, ‘주변 공간이 어떻게 생겼는가’를 분석하는 로봇도 있습니다. ‘거리센서(Distance Sensor)’와 ‘라이다(Light Detection and Ranging, LiDAR)’의 결정적 차이도 여기서 시작됩니다.
거리센서는 지점의 변화에 민감합니다. 앞에 물체가 있는지 혹은 정지선까지 얼마나 남았는지를 빠르게 잡아내 ‘정지’나 ‘접근 경고’ 같은 즉각적인 반응을 이끌어냅니다. 통로에 갑자기 장애물이 튀어나왔을 때나 장비 간 간격이 좁아질 때처럼, 찰나의 거리 변화가 중요한 장면에 최적화돼 있다는 것인데요. 이 센서는 반응이 빠르고 구조가 단순하다는 장점이 있지만, 공간 전체를 조망하는 데는 한계가 있습니다. 즉, 거리센서는 ‘내 바로 앞이 안전한가’를 묻는 감각입니다.
라이다는 공간의 윤곽을 읽습니다. 레이저를 사방으로 쏴서 돌아오는 시간을 계산해, 주변 지형지물을 입체적인 점군 데이터(Point Cloud)로 그려냅니다. 장애물 하나를 감지하는 데 그치지 않는다는 말인데요. 통로가 어디로 열려 있는지, 벽이 어디서 꺾이는지 등 공간의 전체 구조를 파악합니다. 각종 이동 로봇이 교차로를 지나거나 장애물을 피해 스스로 경로를 수정할 수 있는 이유도 이 라이다 덕분입니다. 거리센서가 앞의 한 점을 찍는다면, 라이다는 공간 전체를 훑는 셈입니다.
현장에서 이 둘의 차이는 더욱 명확해집니다. 거리센서는 ‘멈춤 시점’을 결정하는 판단 기준이 됩니다. 작업자나 카트가 위험 구역에 들어오는 순간 즉각 반응해야 하는 자리에 쓰입니다. 라이다는 ‘목적 위치’와 그 ‘여정’을 결정하는 길잡이(Navigator) 역할을 하는 것이죠. 우회로 유무를 파악하고, 주행 가능한 폭에 대한 데이터를 분석해 로봇에게 길을 가르쳐줍니다.
다양한 이동용 로봇 폼팩터(Form-factor)를 설명할 때 이 둘을 구분하는 것만으로도 로봇의 운용 목적을 파악하는 기준이 됩니다. 로봇은 이 두 가지 기술을 적재적소에 배치하며 현장을 누빕니다.
길보다 먼저 ‘나’를 찾다, 주행 로봇의 ‘절대 좌표’가 뜬다
이동형 로봇에게는 눈앞의 장애물보다 '자신의 좌표'를 읽는 능력이 먼저입니다. 단순히 눈앞의 장애물을 피하는 수준이 중요한 게 아니라는 뜻인데요. 광활한 현장 속에서 본인의 정교한 좌표를 스스로 찾아내야 하기 때문입니다. 여기서 핵심은 ‘위치인식(Localization)’입니다.
이는 이미 설계된 지도나 사전에 설정된 기준 좌표 위에서 현재 위치를 확정하는 과정입니다. 지도가 전체 배경이라면 위치인식은 그 위에 찍히는 점입니다. 스마트폰 지도 애플리케이션에서 사용자의 현재 위치를 가리키는 포인터와 같은 원리입니다. 이 데이터가 단 몇 cm만 흔들려도 로봇의 주행은 곧바로 불안정해지며 충돌 위험으로 이어집니다.
몇 년 전부터 로봇 주행의 필수 감각으로 자리 잡은 ‘동시적 위치 추정 및 지도 작성(Simultaneous Localization And Mapping, SLAM)’은 여기서 한 걸음 더 나아간 고등 기술입니다. 말 그대로 지도 만들기와 현재 위치 파악을 실시간으로 동시에 처리합니다.
SLAM은 낯선 공간에 처음 투입된 로봇이 주변 지형지물을 읽어 즉석에서 지도를 그리고, 그 정보를 바탕으로 다시 자기 위치를 끊임없이 수정하는 그림입니다. 이미 완성된 지도를 읽는 것이 위치 인식이라면, 기준 자체를 새로 구축하며 길을 개척하는 것이 SLAM의 본질입니다.
예를 들면, 로봇 청소기가 처음 가동될 때 공간 구석구석을 훑으며 스마트폰 애플리케이션에 지도를 그려내는 과정, 즉 지도화(Mapping)을 떠올리면 이해가 쉽습니다. 산업 현장의 로봇 역시 이와 같은 방식으로 복잡한 창고나 공장의 구조를 스스로 파악하며 길을 만들어냅니다.
위치인식·SLAM 이 두 기술의 차이는 현장 운용 방식에서 가치가 갈립니다. 구조물이 고정되고 경로가 명확한 공장·창고에서는 안정적인 위치인식 기술이 빛을 발합니다. SLAM은 작업자·장비가 수시로 오가며 환경이 변하거나, 지도를 계속 갱신해야 하는 복잡한 현장에서 필수적입니다.
결국 이동 로봇에게 정해진 경로보다 중요한 것은 '지금 내가 어디에 있는가'라는 본질적인 물음입니다. 현재 위치라는 데이터가 확보되지 않으면, 그다음 단계인 경로 생성과 주행은 시작조차 할 수 없습니다.
보지 않아도 느껴지는 ‘압력’, 로봇에게 부여된 촉각
▲ 로봇 스스로 내부를 파악하는 엔코더(상)와 촉각을 담당하는 힘·토크 센서(F/T Sensor)(하). (촬영·편집 : 헬로티 최재규 기자)
로봇은 바깥을 보는 능력만큼 자기 몸을 살피는 과정도 중요합니다. 산업용 로봇이 같은 궤적을 반복하고, 협동 로봇(코봇)이 지정한 위치에 팔을 가져가는 기초는 외부 인식이 아닌 '자기 몸 상태'를 아는 것에서 시작됩니다. 여기서 핵심이 되는 장치가 ‘엔코더(Encoder)’입니다.
엔코더는 로봇 축(Axis)이 얼마나 돌았고, 어느 위치에 있는지를 읽는 장치입니다. 쉽게 말해, 로봇 관절이 지금 어느 각도로 꺾여 있는지 실시간으로 알려주는 기본 감각입니다. 화려하진 않지만 로봇 동작의 기초 체력을 담당합니다. 눈앞의 장면을 아무리 잘 읽어도 관절 위치를 놓치면 좌표가 어긋나고, 축 정보를 제대로 못 잡으면 반복 정밀도(Repeatability)가 흔들리기 쉬운데요. 엔코더는 회전 축의 위치·속도를 검출해 로봇이 '내 몸 부위가 어디쯤 와 있는지'를 알게 합니다.
여기에 ‘힘·토크 센서(Force·Torque Sensor, F/T Sensor)’는 여기서 한 단계 더 나아갑니다. 이 센서는 '닿는 순간'을 데이터화합니다. 정확히 말하면 ▲누르는 세기 ▲힘의 방향 ▲삽입 상태 등 미세한 변화를 즉시 숫자로 낚아챕니다. 눈으로 보지 않아도 손끝에 걸리는 압력만으로 합격·불합격을 판정하는 메커니즘이죠.
이것이 바로 연마(Polishing)나 정밀 조립(Precision Assembly)처럼 '보여도 만져봐야 아는' 공정에 힘 제어가 필수인 이유입니다.
산업용 로봇과 코봇의 차이도 여기서 나뉩니다. 산업용 로봇은 엔코더를 믿고 정해진 궤적을 빠르게 반복하는 데 치중합니다. 반대로 코봇은 작업자와 함께 일하므로 닿는 순간의 반응과 힘 조절이 우선입니다. 겉모양은 유사해도 '정확한 위치'를 요구하는 로봇이 있고, 다른 하나는 '예민한 힘'이 필요한 이유입니다.
결국 로봇은 바깥을 읽는 감각과 자기 몸을 읽는 감각을 함께 써야 합니다. 여기에 손끝의 힘 제어까지 더해져야 가치가 극대화됩니다.
생산성을 갉아먹지 않는 안전...그 보이지 않는 감각
▲ 현장에서 로봇과 함께 활동하는 안전 센서 솔루션.. (촬영·편집 : 헬로티 최재규 기자)
안전센서(Safety Sensor)를 단순히 로봇을 세우는 '비상 정지 버튼'으로만 보면 부족합니다. 작업자와 로봇이 한 공간을 공유하도록 만드는 ‘공존의 감각’입니다. 빛의 장벽으로 침범을 막는 라이트 커튼(Light Curtain), 바닥 면을 훑으며 접근을 감지하는 안전 스캐너(Safety Scanner)가 이 역할을 맡습니다. 이들 기술은 접근 유무, 감속 지점, 정지 시점 등 상황을 실시간 데이터로 전환해 현장 흐름을 조절합니다.
이 장치들의 진가는 단계별 대응에 있습니다. 단순 정지는 공정을 끊어버리지만, 안전센서는 상황을 세분화합니다. 로봇은 작업자가 작업장(Cell) 근처에 접근하면 감속하고, 위험 구역에 진입하면 정지하며, 아내 안전거리가 확보되면 작업 재개 조건을 판단해 공정을 이어갑니다. 즉, 안전센서는 감지·감속·정지·재개라는 생산 사이클을 유지하는 기준점입니다.
결국 코봇이 울타리(Fence) 없이 작업자 곁에서 활동하고, 자율주행로봇(AMR)이 복잡한 물류 창고를 누비려면 이 감각이 필수라는 결론으로 연결됩니다. 안전이 확보되지 않은 로봇은 속도를 낼 수 없기 때문입니다.
로봇이 세상을 읽는 법을 알았다. 이제 신경이 깃든 '강철 육체'를 만날 차례.
헬로티 최재규 기자 |
