KR102590491B1 - 로봇 공정을 위한 프로그램을 생성하는 방법 - Google Patents

Abstract

본 개시는, 컴퓨팅 장치에 의해 수행되는, 로봇 공정을 위한 프로그램을 생성하는 방법으로서, 상기 방법은, 로봇의 자세(pose)를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점(valid working spot)들을 식별하는 단계; 상기 로봇의 상기 유효 작업 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟(target) 작업 지점을 분배하는 단계; 및 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로(trajectory) 또는 작업 순서를 결정하는 단계를 포함할 수 있다.

Description

로봇 공정을 위한 프로그램을 생성하는 방법{METHOD FOR CREATING PROGRAM FOR ROBOTIC PROCESS}

본 개시는 로봇 공정의 프로그램을 생성하기 위한 방법에 관한 것으로서, 보다 상세하게는, 로봇 공정과 관련된 오프라인 프로그래밍(OLP; Off Line Program)을 자동화하기 위한 방법에 관련된 것이다.

오늘날에는, 다수의 산업용 로봇을 제품 생산에 투입하여 각각의 제품에 대한 생산성을 높일 수 있게 되었다. 그러나, 로봇과 제품 혹은 로봇과 로봇사이의 충돌이 발생하면 생산 공정이 정지될 뿐만 아니라 보수 비용이 늘어날 우려가 있다.

이러한 이유로 로봇 공정의 프로그램을 생성함에 있어서, 로봇들의 개별 동작들을 설계하여 서로 충돌없이 최소한의 시간으로 작업을 완료하는 최적화 과정이 중요시되고 있다.

한편, 로봇 공정의 프로그램을 생성하는 방식으로서, 오프라인 프로그래밍(OLP; Off Line Program) 방식이 활용되고 있다. 여기서 오프라인 프로그래밍(OLP)은, 시뮬레이션 상에서 로봇 공정의 프로그램을 설계하고, 테스트한 뒤에, 생성된 프로그램을 실제 로봇에 반영하는 것을 의미한다. 이러한 오프라인 프로그래밍은, 실제 로봇을 직접 움직이며 로봇 공정의 프로그램을 생성하는 온라인 프로그래밍 방식에 비하여, 시간이 덜 걸리고 실제 충돌 발생에 의해 유발되는 비용을 방지할 수 있는 장점이 있다. 하지만, 이러한 오프라인 프로그래밍은, 설계자의 경험과 판단에 의존하는 비-자동적인(manual) 방식으로 생성되어 왔으며, 이에 따라 최적화 과정에서 중요한 경우의 수들이 누락될 수 있었고, 작업 시간의 낭비가 심했으며, 효율 또한 높지 않았다.

따라서, 이러한 로봇 공정 프로그램의 생성 과정에서의 문제점을 해결할 수 있는 자동화 솔루션에 대한 수요가 존재하다.

한편, 본 개시는 이상에서 살핀 기술적 배경에 적어도 기초하여 도출되었으나, 본 개시의 기술적 과제 또는 목적은, 이상에서 살핀 문제점 또는 단점을 해결하는 것에 한정되지는 않는다. 즉, 본 개시는, 이상에서 살핀 기술적 이슈(issue) 이외에도, 이하에서 설명할 내용과 관련된 다양한 기술적 이슈들을 커버(cover)할 수 있다.

본 개시는, OLP 방식으로 로봇 공정의 프로그램을 생성하는 과정을 자동화할 수 있는 솔루션을 제공하는 것을 해결과제로 한다.

한편, 본 개시가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 포함될 수 있다.

전술한 과제를 해결하기 위한 적어도 하나의 컴퓨팅 장치에 의해 수행되는 로봇을 사용한 공정을 위한 프로그램을 생성하는 방법이 개시된다. 상기 방법은, 로봇의 자세(pose)를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점(valid working spot)들을 식별하는 단계; 상기 로봇의 상기 유효 작업 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟(target) 작업 지점을 분배하는 단계; 및 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로(trajectory)를 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 로봇 공정은, 복수의 스테이션(station)들을 포함하고, 상기 복수의 스테이션들 각각은, 하나 이상의 로봇을 포함하고, 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계는, 스테이션 단위에서, 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로를 계획(planning)하는 단계; 상기 계획에 대한 스테이션 단위의 제 1 피드백 정보를 생성하는 단계; 및 상기 제 1 피드백 정보에 기초하여, 스테이션 단위에서 로봇들의 하나 이상의 타겟 작업 지점을 재분배하는 단계를 포함할 수 있다.

일 실시예에서, 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계는, 상기 계획에 대한 평가에 기초하여, 전체 공정 단위의 제 2 피드백 정보를 생성하는 단계; 상기 제 2 피드백 정보에 기초하여 전체 공정 단위에서 로봇들의 타겟 작업 지점들을 재분배하는 단계; 및 상기 전체 공정 단위의 재분배 이후에, 스테이션 단위에서, 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 다시 계획하는 단계를 더 포함할 수 있다.

일 실시예에서, 상기 로봇의 자세를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점들을 식별하는 단계는, 상기 로봇이 특정 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 특정 작업 지점을 유효 작업 지점으로 결정하는 단계; 및 각각의 유효 작업 지점에 대하여, 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 로봇이 특정 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 특정 작업 지점을 유효 작업 지점으로 결정하는 단계는, 상기 로봇이 특정 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있지만 상기 로봇이 상기 특정 작업 지점에 진입할 수 없다고 예측되는 경우, 상기 특정 작업 지점을 유효 작업 지점에서 제외하는 단계를 포함할 수 있다.

일 실시예에서, 상기 로봇 공정은, 복수의 스테이션(station)들을 포함하고, 상기 복수의 스테이션들 각각은, 하나 이상의 로봇을 포함하고, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계는, 상기 로봇이 속한 스테이션에 대한 정보 및 상기 로봇에 대한 정보와 연관하여, 상기 로봇에 상기 하나 이상의 타겟 작업 지점을 분배하는 단계를 포함할 수 있다.

일 실시예에서, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계는, 상기 로봇의 이동을 상기 로봇의 부분 구조의 이동으로 근사화하는 동작; 상기 로봇의 유효 작업 지점들 사이의 직선 이동을 예측하는 동작; 또는 상기 로봇의 유효 작업 지점들 사이의 회전 이동을 예측하는 동작 중 적어도 하나의 동작에 기초하여 예측되는, 상기 로봇의 유효 작업 지점들 사이의 거리 정보에 기초하여, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계를 포함할 수 있다.

일 실시예에서, 이상의 타겟 작업 지점을 분배하는 단계는, 상기 로봇의 유효 작업 지점들 사이의 거리 정보에 기초하여 로봇 단위의 비용값(cost)을 산출하는 단계; 상기 로봇의 유효 작업 지점들 사이의 거리 정보에 기초하여 스테이션 단위의 비용값을 산출하는 단계; 및 유전자 알고리즘(GA)을 활용하여, 상기 로봇 단위의 비용값 및 상기 스테이션 단위의 비용값을 기초로, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계를 더 포함할 수 있다.

일 실시예에서, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계는, 상기 로봇의 작업 영역 정보에 기초하여 작업 영역 오버랩(overlap)과 관련된 비용값을 산출하는 단계; 및 상기 유전자 알고리즘(GA)을 활용하여, 상기 로봇 단위의 비용값, 상기 스테이션 단위의 비용값, 및 상기 작업 영역 오버랩과 관련된 비용값을 기초로, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계를 더 포함할 수 있다.

일 실시예에서, 상기 로봇의 작업 영역 정보는, 상기 로봇의 작업 궤적에 복셀(voxel)을 채워 넣는 방식으로 생성된 부피(volume) 정보를 포함할 수 있다.

일 실시예에서, 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계는, 상기 로봇의 작업 영역 정보와 다른 로봇의 작업 영역 정보 사이의 오버랩 영역 정보를 식별하고, 상기 오버랩 영역 정보와 관련되어 생성되는 방해(interfering) 조정 신호를 식별하는 단계; 및 상기 식별된 방해 조정 신호를 고려하여 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 식별된 방해 조정 신호를 고려하여 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계는, 상기 로봇의 작업 경로를 완전히 반대 방향으로 변경하는 단계를 포함할 수 있다.

일 실시예에서, 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계는, 상기 로봇의 충돌이 예측되는 경우, 충돌 지점과 관련된 법선 벡터를 활용하여 상기 예측된 충돌의 해결 가능성을 분석하는 단계; 및 상기 분석된 결과에 기초하여 상기 로봇의 작업 경로를 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 로봇의 충돌이 예측되는 경우, 상기 충돌과 관련된 법선 벡터를 활용하여 상기 예측된 충돌의 해결 가능성을 분석하는 단계는, 침투(penetration) 깊이에 반비례하는 가중치를 활용하여, 상기 충돌과 관련된 평균 법선 벡터를 산출하고, 산출된 평균 법선 벡터에 기초하여 상기 예측된 충돌의 해결 가능성을 분석하는 단계; 또는 3개의 상이한 법선 벡터들을 활용하여 상기 예측된 충돌의 해결 가능성을 분석하는 단계 중 적어도 하나의 단계를 포함할 수 있다.

일 실시예에서, 상기 로봇 공정을 위한 프로그램은, OLP(offline programming) 프로그램을 포함하고, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계는, TSP 해결 알고리즘(Traveling Salesman Problem Solving Algorithm) 또는 유전자 알고리즘(GA; Genetic Algorithm) 중 적어도 하나를 활용하여 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계를 포함하고, 상기 로봇의 작업 경로를 결정하는 단계는, 학습된 신경망 모델 또는 경로 계획 알고리즘(Path Planning Algorithm)을 활용하여 상기 로봇의 작업 경로를 결정하는 단계를 포함할 수 있다.또한, 전술한 과제를 해결하기 위한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 프로그램은 적어도 하나의 프로세서로 하여금 로봇 공정을 위한 프로그램을 생성하기 위한 동작들을 수행하게 하고, 상기 동작들은: 로봇의 자세(pose)를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점(valid working spot)들을 식별하는 동작; 상기 로봇의 상기 유효 작업 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟(target) 작업 지점을 분배하는 동작; 및 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 동작을 포함할 수 있다.

또한, 전술한 과제를 해결하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 적어도 하나의 프로세서 및 메모리를 포함하고, 상기 프로세서는, 로봇의 자세(pose)를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점(valid working spot)들을 식별하고; 상기 로봇의 상기 유효 작업 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟(target) 작업 지점을 분배하고; 그리고 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로를 결정하도록 구성될 수 있다.

본 개시는, OLP 방식으로 로봇 공정의 프로그램을 생성하는 과정을 자동화할 수 있는 솔루션을 제공할 수 있다. 또한, 본 개시는, OLP 방식으로 로봇 공정의 프로그램을 생성하는 것과 관련하여, 작업 지점 분배에 활용되는 탐색 공간(search space)을 감소시키는 솔루션, 주어진 탐색 공간에서 로봇들에게 작업 지점을 최적으로 분배할 수 있는 솔루션, 로봇들의 사이의 충돌을 예방 또는 회피할 수 있게 하는 솔루션 등을 제공할 수 있다.

한편, 본 개시의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.

도 1은 본 개시의 일 실시예에 따른 동작들을 수행하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시에 따른 뉴럴 네트워크를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라, 본 개시의 방법의 개략적인 흐름을 나타낸 순서도이다.
도 4는 작업 지점을 로봇에게 분배하는 것과 관련된 개략도이다.
도 5는 본 개시의 일 실시예에 따른 로봇의 작업 궤적을 나타내는 부피 정보를 표현한 개략도이다.
도 6은 본 개시의 일 실시예에 따라 사용될 수 있는 로봇의 부분 구조를 나타낸 개략도이다.
도 7은 본 개시의 일 실시예에 따라, 유전자 알고리즘을 기초로 생성할 수 있는 작업 분배 및 순서와 관련된 매트릭스를 표현한 개략도이다.
도 8은 본 개시의 일 실시예에 따라, 본 개시의 방법의 개략적인 흐름을 전체 공정과 스테이션 관점을 포함하여 나타낸 순서도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 개시에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 개시에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 개시에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 개시와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", B 만을 포함하는 경우" "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

통상의 기술자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 개시는 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망 모델의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망 모델의 파라미터 업데이트 등의 신경망 모델의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 신경망 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 개시에서 제시되는 네트워크부(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 개시에서 설명된 기술들은 위에서 언급된 다른 네트워크들 에서도 사용될 수 있다.

본 개시의 강화학습 방법은 시뮬레이션 모델과 강화학습 에이전트(agent)를 사용할 수 있다. 이때, 시뮬레이션 모델은 상태 정보 및 보상을 반환하는 주체이고, 강화학습 에이전트는 상황 정보 및 보상에 기반하여 행동을 결정하는 주체이다. 본 개시에 있어서 상황 정보는 현재 시점의 상황 정보 및 다음 시점의 상황 정보를 포함할 수 있다. 현재 시점의 상황 정보 및 다음 시점의 상황 정보는 각각 해당 상황 정보가 획득된 시점에 따라 분류될 수 있다. 예컨대, 발생한 순서에 따라 시점은 "t, t+1 t+2, t+3"등으로 분류될 수 있고, 상기 "t, t+1 t+2, t+3"은 1초, 10초, 또는 1분 간격으로 분류된 것일 수 있다. 구체적으로 본 개시에 따른 강화학습 에이전트는 적어도 하나의 에피소드(episode)에 기초하여 학습될 수 있다. 본 개시내용에서 "에피소드"는 일련의 순서를 갖는 데이터 시퀀스(sequence)를 의미하는 용어로 사용될 수 있다. 에피소드는 E개(E는 1 이상의 자연수)의 원소를 포함하는 복수의 E-튜플(tuple) 데이터들로 구성된 데이터 집합일 수 있다. 에피소드에 포함된 복수의 E-튜플 데이터들은 일련의 순서를 가질 수 있다. E-튜플 데이터에 관한 일례로, E가 '4'인 경우, 각각의 4-튜플 데이터는 현재 상황 정보, 현재 시점의 제어 동작, 현재 시점의 보상, 다음 상황 정보를 원소로 포함할 수 있다. E-튜플 데이터에 관한 다른 일례로, E가 '5'인 경우, 각각의 5-튜플 데이터는 현재 시점의 상황 정보, 현재 시점의 제어 동작, 현재 시점의 보상, 다음 시점의 상황 정보, 다음 시점의 제어 동작을 원소로 포함할 수도 있다.

본 개시에 따라 프로세서(110)가 강화학습을 수행하는 과정은 강화학습 에이전트에 포함된 뉴럴 네트워크의 각 노드 가중치 또는 편향값을 수정하는 단계를 포함할 수 있다. 상기 강화학습 에이전트에 포함된 뉴럴 네트워크의 각 노드 가중치 또는 편향값을 수정하는 단계는, 프로세서(110)에 의해, 도 4를 참조하여 상술된 뉴럴 네트워크에 관한 역전파(backpropagation) 기법과 동일 또는 유사한 방법으로 수행될 수 있다. 예를 들어, 임의의 시점 t에 관한 학습 데이터에 포함된 보상()이 양수인 경우, 프로세서(110)는 상기 학습 데이터에 포함된 임의의 시점 t에 관한 제어 동작()이 강화되도록 강화학습 에이전트에 포함된 하나 이상의 노드의 가중치 또는 편향값을 조절할 수 있다. 이때 강화학습 제어 모델에 포함된 하나 이상의 노드는, 강화학습 제어 모델이 상기 임의의 시점 t에 관한 학습 데이터에 포함된 상황 정보()를 입력 받은 후 상기 제어 동작()을 결정하는데 관여한 노드일 수 있다.

한편, 강화학습 에이전트는, 보상의 누적값(i.e. 리턴)이 최대가 되도록 각각의 상태 정보에 있어서 행동을 결정할 수 있다. 강화학습 에이전트가 행동을 결정하는 방법은 예를 들어, 가치 기반(Value-Based) 행동 결정 방법, 정책 기반(Policy-Based) 행동 결정 방법, 가치 및 정책 모두에 기반한 행동 결정 방법에 중 적어도 하나에 기초할 수 있다. 상기 가치 기반 행동 결정 방법은 가치 함수에 기초하여 각 상태에서 최고의 가치(value)를 주는 행동을 결정하는 방법이다. 가치 기반 행동 결정 방법의 예시로는 Q-learning, DQN(Deep Q-Network) 등이 포함될 수 있다. 상기 정책 기반 행동 결정 방법은 가치 함수 없이, 최종 리턴 및 정책 함수에 기초하여 행동을 결정하는 방법이다. 정책 기반 행동 결정 방법의 예시로는 Policy Gradient 기법 등이 포함될 수 있다. 상기 가치 및 정책 모두에 기반한 행동 결정 방법은 정책함수가 행동을 결정하면 가치함수가 행동을 평가하는 방식으로 학습하여 강화학습 에이전트의 행동을 결정하는 방법이다. 가치 및 정책 모두에 기반한 행동 결정 방법은 예를 들어, Actor-Critic 알고리즘, Soft Actor-Critic 알고리즘, A2C 알고리즘, A3C 알고리즘 등이 포함될 수 있다.

도 2는 본 개시에 따른 신경망 모델을 나타낸 개략도이다. 본 명세서에 걸쳐 신경망 모델, 인공 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 서로 동일한 의미로 사용될 수 있다. 신경망 모델은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 모델 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망 모델이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망 모델은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 모델 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 모델 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 모델의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망 모델을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망 모델을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 모델 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 모델 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 모델 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 모델 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망 모델을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망 모델은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망 모델일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망 모델은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망 모델일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망 모델은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망 모델일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망 모델은 상술한 신경망 모델들의 조합된 형태의 신경망 모델일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망 모델)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망 모델을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망 모델의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 강화학습 방법에 대하여는 자세히 후술한다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

이제부터, 도 3의 S300 단계 내지 S320 단계를 참조하여, 본 개시의 일 실시예에 따라, 로봇 공정을 위한 프로그램을 생성하기 위한 방법에 관한 개괄적인 프로세스가 설명된다.

먼저, 도 3를 참조하여 본 발명의 일 실시예에 따른 방법을 개괄적으로 설명하자면, 상기 방법은, 프로세서(110)가 "로봇의 자세(pose)를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점(valid working spot)들을 식별하는 단계"(S300 단계), "상기 로봇의 상기 유효 작업 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟(target) 작업 지점을 분배하는 단계"(S310 단계) 그리고, "상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계"(S320 단계)를 포함할 수 있다.

각 단계를 세부적으로 설명하기 앞서, 상기 S300 내지 S320 단계를 비롯한 본 개시의 전반에 걸쳐 '로봇'은 표현의 편의를 위해 단수개로 이해될 수 있는 표현들이 종종 사용되나, 그럼에도 불구하고, 로봇은 단일 개체가 아닌 복수개의 로봇들, 또는 동일하지 않은 종류의 로봇이 포함된 복수개의 로봇들을 포괄하는 개념으로 이해될 수 있다. 예컨대, S300 단계를 참조하면, 프로세서(110)가 로봇의 자세를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점들을 식별한다고 개시되어 있으나, 상기 로봇은 단일 개체로 한정되지 않고, 복수개의 로봇들의 각각을 의미할 수도 있다.

이제부터, S300 단계 내지 S320 단계 각각에 대한 일 실시예들이 개시된다. 먼저, 상기 S300 단계는, 로봇의 자세를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점들을 식별하는 단계이다. 이러한 S300 단계는, 로봇마다 작업 지점을 분배하기 앞서서, 각 로봇들이 작업하였을 때, 효율이 대단히 떨어지거나, 작업이 불가능한 작업 지점을 제외한 유효 작업 지점을 생성하는데 목적이 있다. 효과적인 측면에서, 이러한 S300 단계에 의해, 이후의 단계에서 고려해야할 탐색 공간(searching space)이 감소될 수 있으며, 프로그램을 생성하기위해 필요한 연산량이 감소될 수 있다.

상기 S300 단계와 관련된 일 실시예로, 프로세서(110)는 로봇의 유효 작업 지점 식별을 위하여, "상기 로봇이 특정 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 특정 작업 지점을 유효 작업 지점으로 결정하는 단계(S300-1)" 및 "각각의 유효 작업 지점에 대하여, 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 단계(S300-2)"를 수행할 수 있다. 예를 들어, 프로세서(110)는 로봇마다 모든 작업 지점을 대상으로 역 운동학 해결 알고리즘(inverse kinetics solving algorithm)을 사용하여, 각각의 로봇이 특정 작업 지점에서 작업을 수행하기위한 자세를 취할 수 있는지 여부를 알아낼 수 있다. 이해를 돕기 위한 예로써, 도 4를 참조하면 프로세서(110)는 상기 각각의 '로봇(r)'이 '특정 작업 지점(s)'에서 작업을 수행하기 위한 '자세(p)'를 취할 수 있는지 여부를 기초로, 각각의 로봇의 유효 작업 지점을 식별할 수 있다. 또한, 프로세서(110)는, 각각의 로봇의 유호 작업 지점과 관련하여, "로봇 식별 정보-유효 작업 지점 정보-후보 자세 정보"인 [r, s, p]를 생성할 수 있다. 일 실시예에서, r은 특정 로봇의 식별 정보(예컨대, 10번째 로봇)에 대응되고, s는 상기 특정 로봇의 유효 작업 지점들 중 하나의 유효 작업 지점(예컨대, 130번째 작업 지점)의 식별 정보에 대응되고, p는 상기 하나의 유효 작업 지점과 연관된 하나 이상의 후보 자세 정보(예를 들어, 130번째 작업 지점과 관련하여 10번째 로봇이 취할 수 있는 A 자세, B자세, 및 C자세 정보)에 대응될 수 있다. 한편, 이 경우, 상기 하나 이상의 후보 자세 정보는, 미리 결정된 숫자 이하만 포함되도록 제한될 수 있다. 예를 들어, 특정 로봇(예컨대, 10번째 로봇)이 상기 특정 로봇의 유효 작업 지점들 중 하나의 유효 작업 지점(예컨대, 130번째 작업 지점)에서 10가지 후보 자세(예컨대, A자세 ~ J자세)로 작업이 가능한 경우에도, 10가지 후보 자세들 중 3가지의 최적의 후보 자세들을 선별하여, 3가지의 선별된 후보 자세들만 탐색 공간에 포함되도록 할 수 있다. 효과적인 측면에서 상기 실시예는, 후보 작업 자세의 숫자를 미리 조절할 수 있으므로, 프로세서(110)가 가용 가능한 연산량이 한정적인 경우, 발생될 수 있는 연산량을 미리 제한할 수 있는 효과를 얻을 수 있다.

부가적인 실시예로, 앞서 언급한 S300-1 단계와 관련하여, "상기 로봇이 특정 작업 지점을 작업하기 위한 적어도 하나의 자세"는, "역 운동학 해결 알고리즘에 의해 유효하고, 동시에 작업 과정에서 충돌의 위험성이 없는 자세"로 제한될 수도 있다. 예를 들어, 프로세서(110)는, 상기 특정 작업 지점의 위치 정보(예컨대, 3D Cartesian 좌표) 및 작업 방향 정보를 고려하여, 상기 로봇이 "역 운동학 해결 알고리즘에 의해 유효하고, 동시에 작업 과정에서 충돌의 위험성이 없는 자세"를 취할 수 있는지 여부를 판단할 수 있으며, 상기 로봇이 이러한 자세를 취할 수 있는 경우에만, 상기 특정 작업 지점을 유효 작업 지점으로 결정할 수 있다. 한편, 프로세서(110)는, 상기 로봇의 특정 자세가 역 운동학 해결 알고리즘에 의해 유효하지만 충돌을 유발할 가능성이 있는 경우, 상기 특정 자세에서 변경 동작을 수행하여 추가적인 자세들을 탐색할 수 있다. 예를 들어, 프로세서(110)는, 상기 특정 자세에서 상기 로봇(또는 상기 로봇의 부분 구조)의 특정 지역 축(예컨대, z축) 방향을 중심으로 회전하는 변경 동작을 수행하고, 역 운동학 연산을 수행하여, 추가적인 자세들을 탐색할 수 있다. 또한, 프로세서(110)는, 상기 특정 자세에서 상기 로봇(또는 상기 로봇의 부분 구조)를 상기 특정 지역 축(예컨대, z축) 방향으로 병진(translation) 운동시키는 변경 동작을 수행하고, 역 운동학 연산을 수행하여, 추가적인 자세들을 탐색할 수 있다. 한편, 이 경우, 상기 병진 운동은, 0 내지 0.01m에서 0.01 단위의 오프셋(offset)으로 수행될 수 있다. 또한, 프로세서(110)는, 상기 특정 자세에서 상기 로봇(또는 상기 로봇의 부분 구조)의 작업 방향을 변경하는 변경 동작을 수행하고, 역 운동학 연산을 수행하여, 추가적인 자세들을 탐색할 수 있다. 한편, 이 경우, 상기 작업 방향의 변경은, 상기 특정 지역 축(예컨대, z축)을 기준으로 180 반대 방향으로 뒤집는 변경일 수 있다.

또한, 부가적인 실시예로, 앞서 언급한 S300-1 단계와 관련하여, 프로세서(110)는, 상기 로봇이 특정 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있지만, 상기 로봇이 특정 작업 지점에 진입할 수 없다고 예측되는 경우, 상기 특정 작업 지점을 유효 작업 지점에서 제외할 수 있다. 예를 들어, 로봇의 진입 가능한 통로가 좁거나 진입 시에 충돌이 발생하여, 상기 로봇이 특정 작업 지점에 진입할 수 없다고 예측되는 경우, 상기 로봇이 상기 특정 작업을 작업하기 위한 자세를 취할 수 있다고 시뮬레이션 되더라도, 상기 특정 작업 지점을 상기 로봇의 유효 작업 지점 그룹에서 제외할 수 있다. 또한, 과도한 움직으로 인한 지연을 방지하기 위해 로봇이 움직일 수 있는 각도를 미리 한정 해놓는 경우, 로봇이 특정 작업 지점을 작업하기 위한 자세를 취할 수 있지만 제한된 각도 범위 내에서 상기 특징 작업 지점에 진입할 수 없다면, 이러한 특정 작업 지점도 상기 로봇의 유효 작업 지점 그룹에서 제외할 수 있다. 한편, "상기 로봇이 특정 작업 지점에 진입할 수 있는지 여부를 예측하는 동작"은, "상기 로봇의 이동을 상기 로봇의 부분 구조의 이동으로 근사화하는 동작"에 기초하여 수행될 수 있다. 이러한 방식은, 로봇 전체의 구조를 그대로 활용하는 방식과 비교하여 훨씬 적은 연산량만이 필요하기 때문에 연산 효율의 측면에서 유용하게 사용될 수 있다. 일 실시예에서, 상기 로봇의 부분 구조는, 도 6의 600과 같은 로봇에 장착된 용접기를 포함할 수 있으며, 이러한 용접기 이외에도 상기 로봇의 다른 부분 장비 또는 다른 부위를 포함할 수 있다. 효과적인 측면에서, "복수개의 관절을 포함하는 로봇의 전체를 이용하여 상기 로봇의 진입 가능 여부를 예측하는 것"과 "용접기와 같은 로봇의 부분 구조를 기초로 근사화를 수행하여 로봇의 진입 가능 여부를 예측하는 것"을 비교하면, 후자의 경우 필요한 연산량을 현저하게 감소시킬 수 있다. 또한, "로봇의 근사화된 부분 구조가 진입할 수 없는 경우"는, 당연히 "로봇의 (더 복잡한) 실제 구조도 진입할 수 없는 경우"에 해당하므로, 이와 같은 근사화를 이용하더라도 "로봇의 진입이 불가능한 경우"가 정확하게 예측될 수 있으며, 이를 기반으로 탐색 공간의 축소가 정확하게 수행될 수 있다.

또한, 부가적인 실시예로, 앞서 언급한 S300-2 단계와 관련하여, 프로세서(110)는, "작업 대상의 질량 중심(center of mass)까지의 거리 정보", "작업 대상의 축(axis)과 상기 로봇의 축 사이의 각도 정보", 또는 "상기 로봇의 질량 중심과 상기 작업 대상의 메쉬 정점(mesh vertex) 간의 거리 정보" 중 적어도 하나의 정보를 활용하여, 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 단계를 수행할 수 있다. 예컨대, ①"작업 대상의 질량 중심까지의 거리 정보"를 사용하는 일 실시예에서, 프로세서(110)는, 로봇의 질량 중심(또는 로봇의 작업 장비의 질량 중심)과 작업 대상의 질량 중심 사이의 거리가 가능한 최대가 되도록 하는 후보 작업 자세들에 높은 우선 순위를 부여할 수 있다. 이러한 기준으로 최적의 후보 작업 자세들을 선별하는 경우, 선별된 후보 작업 자세가 비슷한 위치의 유효 작업 지점들에 모두 호환 가능할 수 있어서, 향후 로봇들에 타겟 작업 지점들을 분배하거나 로봇들의 경로를 최적화시키는 과정에서 도움이 될 수 있기 때문이다. 다음으로, ②"작업 대상의 축(axis)과 로봇의 축 사이의 각도 정보"를 사용하는 일 실시예에서, 프로세서(110)는, "작업 대상의 광역 축(global axis)과 로봇의 지역 축(local axis) 사이의 각도 정보"를 활용할 수 있다. 구체적으로, 프로세서(110)는, "작업 대상의 내부에서 외부로 향하는 설정된 광역 축" 및 "로봇의 특정 지역 축(예컨대, 로봇의 x축 또는 로봇의 y축)" 사이의 각도 정보를 기준으로 최적화된 후보 작업 자세들을 선별할 수 있다. 이러한 기준으로 최적의 후보 작업 자세들을 선별하는 경우, 작업 대상의 같은 측(side)에 존재하는 유효 작업 지점들에 대하여 유사한 후보 작업 자세들이 선별될 수 있어서, 향후 로봇들에 타겟 작업 지점들을 분배하거나 로봇들의 경로를 최적화시키는 과정에서 도움이 될 수 있기 때문이다. 다음으로, ③ "로봇의 질량 중심과 작업 대상의 메쉬 정점(mesh vertex) 간의 거리 정보"를 사용하는 일 실시예에서, 프로세서(110)는, "로봇의 질량 중심(또는 로봇의 작업 장비의 질량 중심)" 및 "작업 대상의 메쉬 정점들 중 상기 로봇의 질량 중심과 가장 근접한 메쉬 정점" 사이의 거리를 가능한 최대화할 수 있는 후보 작업 자세들에 높은 우선 순위를 부여할 수 있다. 이러한 기준으로 최적의 후보 작업 자세들을 선별하는 경우, 안정성이 확보된 후보 작업 자세들이 선별될 수 있고, 충돌의 위험성을 감소될 수 있어서, 향후 로봇들에 타겟 작업 지점들을 분배하거나 로봇들의 경로를 최적화시키는 과정에서 도움이 될 수 있기 때문이다.

상기 S300 단계에 이어서 수행될 수 있는, 상기 S310 단계는 상기 로봇의 상기 유효 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계이다. 여기서, 상기 타겟 작업 지점은, 상기 로봇에 실제 할당되는 작업 지점을 의미할 수 있다. 이러한, 상기 S310 단계는, 로봇의 작업 경로 또는 작업 순서를 결정하기에 앞서서, 상기 추정된 로봇의 유효 작업 지점들 사이의 거리에 기초하여, 로봇들이 작업 지점들을 동시에 작업할 때, 충돌이 발생하지 않고, 최단 시간으로 작업을 마칠 수 있는 최적의 작업 지점 분배를 수행하는 것을 목적으로 한다.

한편, 상기 S310 단계는 전체 공정의 단위에서 수행되거나 스테이션 단위에서 수행될 수 있다. 예를 들어, 상기 S310 단계는, ① 전체 공정의 작업 지점들이 개별 로봇들 사이에서 바로 분배되는 방식을 활용하거나, ② 전체 공정의 작업 지점들이 스테이션 단위에서 1차적으로 분배된 뒤에, 각각의 스테이션에 분배된 작업 지점들이 각각의 스테이션 내의 로봇들 사이에서 2차적으로 분배되는 방식을 활용할 수 있다. (참고로, 여기서 스테이션은, 아래에서도 설명되었듯이, 하나 이상의 로봇을 포함하는 중간 레벨의 공정 단위를 의미할 수 있다. 즉, 본 개시의 일 실시예에 따르면, 전체 공정은, "개별 로봇 단위 → 하나 이상의 로봇을 포함하는 스테이션 단위 → 하나 이상의 스테이션을 포함하는 전체 공정 단위"로 구분될 수 있다.)

타겟 작업 지점을 분배하기 위해 사용되는 "상기 로봇의 유효 작업 지점들 사이의 거리를 추정(S310-1)"하는 방법에 관련된 일 실시예로, 프로세서(110)는, ⓐ "상기 로봇의 이동을 상기 로봇의 부분 구조(예컨대, 로봇이 장착하고 있는 공구의 구조)의 이동으로 근사화하는 동작", ⓑ "상기 로봇의 유효 작업 지점들 사이의 직선 이동을 예측하는 동작", 또는 ⓒ "상기 로봇의 유효 작업 지점들 사이의 회전 이동을 예측하는 동작" 중 적어도 하나의 동작에 기초하여, "상기 로봇의 유효 작업 지점들 사이의 거리"를 추정할 수 있다. 이때, ⓐ "상기 로봇의 이동을 상기 로봇의 부분 구조의 이동으로 근사화하는 동작"은, 상기 로봇의 이동을 상기 로봇의 부분 구조의 이동으로 근사화한 뒤에, 근사화된 이동에 기초하여 2개의 유효 지점들 사이의 거리를 추정하는 동작을 포함할 수 있다. 이러한 근사화 동작은, 로봇의 전체 구조를 이용하는 것과 비교하여 연산량을 감소시킬 수 있다. 또한, 상기 부분 구조가 작업 구조에 해당하는 경우에는, 실제 작업 과정에서의 로봇의 이동과 유사한 움직임일 구현될 수 있으므로, 이러한 근사화 동작에 의해서도 상대적으로 높은 정확도의 거리가 추정될 수 있다. 일 실시예에서, 상기 로봇의 작업 구조는 도 6의 600과 같은 로봇에 장착된 용접기를 포함할 수 있으며, 프로세서(110)는, 용접기의 이동을 로봇 전체의 이동으로 근사화하여 상기 로봇의 유호 작업 지점들 사이의 거리를 추정할 수 있다. 다음으로, ⓑ "상기 로봇의 유효 작업 지점들 사이의 직선 이동을 예측하는 동작"은, 예컨대, 카테시안 무브(cartesian move) 또는 리니어 무브(linear move) 등을 통해 2개의 유효 작업 지점들 사이를 이동하는 것이 가능한지를 예측하는 동작을 포함할 수 있다. 이 경우 프로세서(110)는, 카테시안 무브(cartesian move) 또는 리니어 무브(linear move) 등을 통해 상기 2개의 유효 작업 지점들 사이를 이동하는 것이 가능한 경우, 상기 2개의 유효 작업 지점들 사이의 거리가 유클리디언 거리에 비례할 것으로 추정할 수 있다. 따라서, 이러한 동작을 통해 상대적으로 높은 연산 효율성을 얻으면서 거리 추정 동작을 수행할 수 있다. 다음으로, ⓒ"상기 로봇의 유효 작업 지점들 사이의 회전 이동을 예측하는 동작"은, 상기 로봇의 2개의 유효 작업 지점들 사이에서 장애물 정보가 무시된 경로(trajectory)를 예측하되, 상기 로봇의 회전 동작 및 관절 한계(joint limit)을 고려하여 상기 2개의 유효 작업 지점들 사이의 거리를 예측하는 동작을 포함할 수 있다. 이러한 동작은, 각 로봇마다의 회전 동작 및 회전 동작의 한계를 고려할 수 있으므로, 상대적으로 높은 정확도의 거리를 추정할 수 있다. 한편, 이상에서 검토한 3개의 동작들은, 함께 활용될 수도 있으며, 상기 3개의 동작들에 의해 추정된 거리 정보들을 종합하여 최종 거리를 추정함으로써, 거리 추정의 정확성을 더욱 향상시킬 수도 있다.

상기 로봇의 유효 작업 지점들 사이의 거리를 추정(S310-1)한 이후에, 상기 로봇에 타겟 작업 지점을 분배하기 위한 구체적인 실시예로서, 프로세서(110)는, "상기 로봇의 유효 작업 지점들 사이의 거리 정보에 기초하여 로봇 단위의 비용값을 산출하는 단계(S310-2)", "상기 로봇의 유효 작업 지점들 사이의 거리 정보에 기초하여 스테이션 단위의 비용값을 산출하는 단계(S310-3)", "상기 로봇의 작업 영역 정보에 기초하여 작업 영역 오버랩(overlap)과 관련된 비용값을 산출하는 단계(S310-4)", "유전자 알고리즘을 활용하여, 상기 로봇 단위의 비용값, 상기 스테이션 단위의 비용값, 및 상기 작업 영역 오버랩과 관련된 비용값을 기초로, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계(S310-5)" 등을 수행할 수 있다.

여기서 스테이션은, 하나 이상의 로봇을 포함하는 중간 레벨의 공정 단위이며, 다양한 기준(위치 기준, 작업 유형 기준 등)으로 생성될 수 있다. 예를 들어, 공장에서 특정 위치에 군집해 있는 로봇들이 하나의 스테이션을 형성하거나, 동일한 타입의 작업을 수행하는 로봇들이 모여 하나의 스테이션을 형성할 수 있다. 다시 말해, 전체 로봇 공정은, 복수의 스테이션들로 구분될 수 있으며, 상기 복수의 스테이션들 각각은 하나 이상의 로봇을 포함할 수 있다.

또한, 상기 로봇 단위의 비용값 및 상기 스테이션 단위의 비용값은, 예를 들어 상기 S310-1 단계에서 얻어질 수 있는 거리 정보를 기초로, TSP 해결 알고리즘(traveling salesman problem solving algorithm)을 사용하여 연산될 수 있다. 예를 들어, 상기 로봇 단위의 비용값은, 상기 로봇에 타겟 작업 지점들을 분배한 상황을 가정하고, 가정된 분배 상태에서 TSP해결 알고리즘을 사용하여 분배된 모든 타겟 작업 지점들을 방문하는 최소 거리를 산출하는 것에 기초하여 연산될 수 있다. 한편, 상기 TSP 해결 알고리즘은, 예시적으로 GLS(guided local search) 알고리즘 등의 메타 휴리스틱(meta heuristic) 알고리즘을 포함할 수 있으며, 이러한 예시적인 알고리즘 이외에도 TSP를 해결하기 위한 다양한 알고리즘을 포함할 수 있다. 또한, 상기 스테이션 단위의 비용값은, 상기 스테이션에 포함된 로봇들에 대하여 위와 같은 방식으로 연산된 비용값들을 종합하는 방식을 통해 연산될 수 있다.

추가로, 상기 로봇 단위의 비용값은, 가중치 연산 및 표준 편차 연산을 거친 뒤에 상기 프로세서(110)에 의해 활용될 수도 있다. 예를 들어, 프로세서(110)는, 로봇 단위의 비용값들에 대하여 가중치를 적용한 뒤에, 표준 편차를 연산할 수 있으며, 연산된 표준 편차를 (현재 가정된 분배 상황에 대한) 로봇 단위의 최종 비용으로 활용할 수 있다. 한편, 이 경우, 상기 가중치는, 로봇 단위의 작업 시간을 고려하여 산출될 수 있다.

또한, 상기 스테이션 단위의 비용값은, 가중치 연산 및 평균 연산을 거친 뒤에 상기 프로세서(110)에 의해 활용될 수도 있다. 예를 들어, 프로세서(110)는, 스테이션 단위의 비용값들에 대하여 가중치를 적용한 뒤에, 평균을 연산할 수 있으며, 연산된 평균을 (현재 가정된 분배 상황에 대한) 스테이션 단위의 최종 비용으로 활용할 수 있다. 한편, 이 경우, 상기 가중치는, 스테이션 단위의 작업 시간을 고려하여 산출될 수 있다.

한편, 앞서 언급한 상기 로봇 단위의 비용값 및 상기 스테이션 단위의 비용값은, 타겟 작업 지점들이 분배되었을 때 해당 분배가 얼마나 적은 시간내 처리 가능한지와 관련된 것이다. 그러나, 복수의 로봇을 사용하는 환경에선, 소요 시간에 대한 문제 이외에, 타겟 작업 지점들이 어떻게 분배되는지에 따라 로봇들 간의 작업 영역이 오버랩(overlap)되는 문제가 발생될 수 있다. 상기 오버랩은 로봇간의 충돌 가능성의 높이는 요인이 되므로, 비용값으로써 추가로 포함될 수 있다. 따라서, 프로세서는, "상기 로봇의 작업 영역 정보에 기초하여 작업 영역 오버랩(overlap)과 관련된 비용값을 산출하는 단계(S310-4)"를 추가로 수행할 수 있으며, 타겟 작업 지점들을 분배하는 과정에서, 상기 작업 영역 오버랩과 관련된 비용값을 추가로 고려할 수 있다. 이때, "상기 로봇의 작업 영역 정보"는, 상기 로봇의 작업 궤적에 복셀을 채워 넣는 방식으로 생성된 스윕 부피(swept volume) 정보를 포함할 수 있다. 또한, "상기 작업 영역 오버랩과 관련된 비용값"은, 로봇들의 스윕 부피들이 서로 오버랩되는 정보(예컨대, 오버랩되는 복셀의 개수 등)에 기초하여 산출될 수 있다. 이해를 돕기 위한 예로써, 도 5를 참조하면 500은 디폴트 상태(즉, 작업 전의 대기 상태)에서의 로봇들의 영역에 복셀을 채워 넣은 상황을 표현한 것이고, 510은 로봇들이 움직이는 작업 궤적에 복셀을 채워 넣은 상황으로 이해될 수 있다. 상기 510과 같은 경우, 작업 궤적의 복셀들 상에 오버랩이 존재할 수 있다.

한편, 유전자 알고리즘(GA)은 컴퓨터 과학과 생물학 사이의 기술로, 생물학적 유전물질을 모방하여 문제를 해결하는 방법이다. 유전자 알고리즘은 프로그램을 개선하거나 미지의 솔루션을 찾기 위해 유전자 조합을 변경하고 최적화하는 방법을 사용할 수 있다. 본 개시에서의 유전자 알고리즘은, 유효 작업 지점을 로봇들에게 분배한 타겟 작업 지점들의 조합을 생성하기 위해 활용될 수 있으며, 무작위 초기화 방법(random initialization)에 기초하여 활용될 수 있다. 그러나, 이러한 방식은 최적화된 해를 탐색하는데 많은 시간을 소요할 수 있으며, 반복이 많은 작업일 때 특히 이러한 시간 소모가 더 문제가 된다. 반면, 랜덤이 아닌 휴리스틱 초기화 방법(heuristic initialization)을 사용하여 초기 유전자를 결정하는 것은, 시간의 소요는 전자와 비교하였을 때 비교적 적으나, 정확도에 문제가 있을 수 있다. 따라서 상기 무작위 초기화 방법과 휴리스틱 초기화 방법을 적절히 혼합하여 사용할 필요가 있다. 이에 따라, 일 실시예에서, 프로세서(110)는, 각각의 로봇에 분배되는 타겟 작업 지점들의 개수가 최대한 동일하도록 하는 초기화 방식을 활용할 수 있다. 또한, 이 경우, 프로세서(110)는, "각각의 로봇에 분배된 타겟 작업 지점들의 개수의 균일 정보와 관련된 비용값"을 추가로 정의하여 활용할 수 있다.

도 7을 참조하면, 본 개시의 일 실시예에 따른 유전자 알고리즘의 염색체 디자인(chromosome design)의 예시를 살펴볼 수 있다. 여기서 는 i번째 스테이션에 존재하는 j번째 로봇을 나타낸다. 또한, 가로 방향의 인덱스는 "작업 지점"들 구별하기 위한 인덱스이고, 세로 방향의 인덱스는 특정 작업 지점을 유효 작업 지점으로 갖는 "작업 수행 가능 로봇"들을 구별하기 위한 인덱스이다. 일 실시예에서, 염색체는, 각각의 작업 지점에 대해 세로 방향으로 나열된 작업 수행 가능 로봇들 중 하나를 선택하는 것에 기초하여 생성될 수 있으며, 도 7의 예시에서는 가로 방향으로 염색체의 몸체가 형성될 수 있다. 예를 들어, 예시적인 염색체들은, 아래에 같이 구성될 수 있다.

- 예시 1: ()

- 예시 2: ()

상기 S320 단계는, 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로(trajectory) 또는 작업 순서를 결정하는 단계로, 앞선 단계에서 로봇에 하나 이상 분배되었던 타겟 작업 지점을 기초로 최적화된 작업 경로 또는 작업 순서를 결정하는 것을 목적으로 한다.

상기 320 단계와 관련하여, 프로세서(110)는, 상기 로봇의 충돌 가능성을 고려하여 상기 로봇의 작업 경로 또는 작업 순서를 결정할 수 있다. 여기서, 상기 로봇의 충돌 가능성을 고려하는 것은, "로봇의 충돌이 예상되는지 여부를 고려하는 것" 및 "로봇의 충돌이 예상되더라도, 충돌 방지 솔루션에 의해 회피 될 수 있는지 여부를 고려하는 것"을 포함할 수 있다. 예를 들어, 상기 S320 단계와 관련하여, 프로세서(110)가 강화학습에 기반하여 로봇의 작업 경로 또는 작업 순서를 결정하는 경우, 강화 학습의 에이전트는, "로봇의 충돌이 예상되는지 여부를 나타내는 보상(reward)" 및 "로봇의 충돌이 예상되더라도, 충돌 방지 솔루션에 의해 회피 될 수 있는지 여부를 나타내는 보상"을 모두 고려하여 행동을 수행할 수 있다.

(S320 단계 실시예-1) 일 실시예에서, 상기 충돌 방지 솔루션은, "충돌 위험이 있는 궤적을 움직이는 로봇들 중 일부를 일시 정지시키기 위한 방해 조정 신호(예컨대, 인터락(interlock) 신호)를 활용하는 솔루션"을 포함할 수 있다. 예를 들어, 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계(S320)는, 프로세서(110)가 ①"상기 로봇의 작업 영역 정보와 다른 로봇의 작업 영역 정보 사이의 오버랩 영역 정보를 식별하고, 상기 오버랩 영역 정보와 관련되어 생성되는 방해(interfering) 조정 신호(예컨대, 인터락 신호)를 식별하는 단계" 및 ②"상기 식별된 방해 조정 신호를 고려하여 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계"를 포함할 수 있다. (이때, 상기 오버랩 영역은 앞서 설명한 작업 궤적에 복셀을 채워 넣은 가상의 3D 환경에서의 복셀의 오버랩을 포함할 수 있다.)

(S320 단계 실시예-2) 앞서 언급하였듯, 방해 조정 신호(예컨대, 인터락 신호)는 충돌 위험이 있는 궤적을 움직이는 로봇들 중 일부를 일시 정지시킬 수 있다. 그러나, 오버랩 영역이 있더라도 해당 영역에 각 로봇이 상이한 시점에서 작업을 수행한다면, 방해 조정 신호(예컨대, 인터락 신호)가 발생하더라도 일시 정지할 필요가 없는 상황이 발생할 수 있다. 따라서, 방해 조정 신호(예컨대, 인터락 신호)가 필요한 오버랩 영역에서 최대한 로봇들이 동시 작업을 수행하지 않도록 하는 방법이 필요하다. 이에 따른 일 실시예로, 프로세서(110)는, "상기 식별된 방해 조정 신호를 고려하여 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계"와 관련하여, "상기 로봇의 작업 경로를 완전히 반대 방향으로 변경하는 단계"를 추가로 수행할 수 있다. 예를 들어, 프로세서(110)는, 상기 로봇의 작업 경로를 완전히 반대 방향으로 변경하는 시도 등을 수행하여, 상기 로봇의 오버랩 영역에서 다른 로봇과의 동시 작업을 최소화하는 방향으로 상기 로봇의 작업 경로 또는 작업 순서를 결정할 수 있다. 이때, 상기 로봇의 작업 경로를 완전히 반대 방향으로 변경하는 것에 대한 예를 들자면, 기존의 작업 경로가 A → B → C → D 순으로 타겟 작업 지점에 도달하는 것이라면, 반대 방향으로 변경하는 것은 기존의 작업 경로를 D → C → B → A 순으로 타겟 작업 지점에 도달하도록 변경하는 것을 의미할 수 있다. 추가적인 예시로 3개의 로봇이 있는 스테이션에서 3개의 로봇 모두 동일한 방향으로 작업할 때, 상기 3개의 로봇 중 일부 로봇을 반대 방향으로 작업하도록 가정하여 테스트해보고 가장 방해 조정 신호(예컨대, 인터락 신호)가 적게 발생하는 조합으로 작업 경로 또는 작업 순서를 결정할 수 있다.

(S320 단계 실시예-3) 작업 경로 또는 작업 순서를 결정함에 있어서, RRT(Rapidly-exploring random tree) 계열과 같은 샘플 기반의 플래너(planner)를 사용할 경우, 장애물(예컨대, 작업 대상의 구조)과 가까운 곳에 샘플이 생성될 경우가 발생할 수 있다. 이때, 각 샘플은 충돌이 없는 위치에 존재하지만 두 샘플 사이를 이동하는 이동 경로 에서는 충돌 가능성이 존재한다. 반면 CCD(Continuous Collision Detection)을 사용할 경우, 충돌이 없는 이동 경로를 생성할 수 있지만 충돌을 감지하는 속도가 느려 작업 경로 또는 작업 순서 결정에 필요한 시간이 많다는 단점이 있다. 이를 절충하기 위한 방법과 관련된 일 실시예로, 상기 충돌 방지 솔루션은, "충돌 지점과 관련된 법선 벡터를 활용하여 충돌을 해결하는 솔루션"을 포함할 수 있다. 예를 들어, 상기 S320 단계와 관련하여, 프로세서(110)는, "상기 로봇의 충돌이 예측되는 경우, 충돌 지점과 관련된 법선 벡터(예를 들어, 충돌 지점을 포함하는 면 또는 메쉬에 대한 법선 벡터)를 활용하여 상기 예측된 충돌의 해결 가능성을 분석하는 단계"를 더 수행할 수 있으며, 분석된 결과를 활용하여 상기 로봇의 작업 경로 또는 작업 순서를 결정할 수 있다. 또한, 프로세서(110)는, 이러한 추가적인 단계와 관련하여, "로봇의 충돌이 예측되는 경우, 상기 로봇의 이동 경로에서 충돌과 연관된 로봇의 엔드 이펙터(end effector, 예컨대, 로봇이 사람의 팔을 모방한 것이라면 손에 해당하는 부분)를 충돌이 발생하지 않을 때까지 충돌 지점과 관련된 법선 방향으로 점진적으로 이동시키는 동작"을 수행할 수 있으며, 이러한 동작에 기초하여 충돌의 해결 가능성을 분석할 수 있다. 일 실시예에서, 프로세서(110)는, "상기 로봇의 충돌이 예측되는 경우, 미리 결정된 최대 거리에 도달할 때까지 법선 방향으로 충돌과 연관된 로봇의 엔드 이펙터를 점진적으로 이동시키는 동작"을 수행할 수 있다. 이때, 최대 거리에 도달할 때까지 충돌이 계속된다면, 중단하고 다른 타겟 작업 지점을 작업하도록 상기 로봇의 작업 경로 또는 작업 순서를 결정할 수 있다.

(S320 단계 실시예-4) 한편, 상기 로봇의 충돌(예를 덜어, 상기 로봇과 다른 로봇의 충돌 또는 상기 로봇과 작업 대상과의 충돌)을 메쉬(mesh)와 메쉬 사이의 충돌로 시뮬레이션하여 감지하는 경우, 시뮬레이션을 통해 감지되는 충돌 지점과 법선 벡터가 부정확하게 획득될 수 있다. 예를 들어, 상기 로봇, 다른 로봇, 또는 작업 대상의 구조를 표현하는 메쉬를 구성하는 삼각형이 긴 모양을 가지는 경우, 충돌지점과 법선 벡터가 부정확하게 산출될 수 있다. 이러한 문제를 해결하기 위해, 프로세서(110)는, 침투 깊이(예컨대, 메쉬 구조에 기초하여 감지된 충돌 지점의 깊이)에 반비례하는 가중치를 활용하여, 충돌의 해결에 이용되는 법선 벡터를 개선시킬 수 있다. 예를 들어, 프로세서(110)는, 앞선 실시예에서 살펴본 "상기 충돌과 관련된 법선 벡터를 활용하여 상기 예측된 충돌의 해결 가능성을 분석하는 단계"와 관련하여, "침투 깊이에 반비례하는 가중치를 활용하여, 모든 충돌 지점들의 법선 벡터들에 대한 가중 평균을 연산함으로써, (가중) 평균 법선 벡터를 산출하고, 산출된 (가중) 평균 법선 벡터에 기초하여 상기 예측된 충돌의 해결 가능성을 분석하는 동작"을 추가로 수행할 수 있다. 한편, 여기서 각각의 충돌 지점에 대하여 침투 깊이에 반비례하는 가중치를 활용하는 이유는, 침투 깊이가 클수록, 해당 충돌과 관련된 메쉬의 삼각형의 크기가 크고, 잘못된 충돌 지점이거나 잘못된 법선 벡터일 가능성이 크기 때문에, 이들의 영향을 줄이기 위한 것이다. 추가로, 프로세서(110)는, 앞선 실시예에서 살펴본 "상기 충돌과 관련된 법선 벡터를 활용하여 상기 예측된 충돌의 해결 가능성을 분석하는 단계"와 관련하여, "3개의 상이한 법선 벡터들을 활용하여 상기 예측된 충돌의 해결 가능성을 분석하는 동작"을 수행할 수도 있다. 여기서 3개의 상이한 법선 벡터는, ⓐ 위에서 살펴본, 침투 깊이에 반비례하는 가중치를 활용하여 가중 평균을 연산함으로써 산출된, 제 1 법선 벡터(즉, 상기 (가중) 평균 법선 벡터), ⓑ 충돌 지점과 메쉬의 질량 중심을 포함하는 평면을 기초로 연산된 제 2 법선 벡터, 및 ⓒ 상기 제 1 법선 벡터와 상기 제 2 법선 벡터를 포함하는 평면을 기초로 연산된 제 3 법선 벡터를 포함할 수 있다. 본 개시의 일 실시예에 따른 프로세서(110)는, 이러한 3개의 법선 벡터들을 활용하여, 충돌 지점에서 충돌을 회피하기 위한 다양한 옵션을 탐사(exploration)할 수 있으며, 이를 통해 충돌 회피의 가능성을 향상시킬 수 있다. 특히, 복수의 지점에서 동시에 법선 방향이 다른 충돌들이 발생하는 경우에, 충돌 회피의 가능성을 향상시킬 수 있다.

앞서, S300 단계 내지 S320 단계를 기초로, 로봇 공정의 프로그램을 생성하는 방법에 관한 본 개시의 개괄적인 프로세스와 각각의 단계마다 사용될 수 있는 실시예들이 개시되었다. 이제부터 도 8을 기초로 전체 공정과 스테이션 관점에서의 일 실시예들이 개시된다.

먼저, 상기 로봇 공정은, 복수의 스테이션(station)들을 포함하고, 상기 복수의 스테이션들 각각은, 하나 이상의 로봇을 포함할 수 있다.

또한, 앞에서 살펴본 S300 단계는, 도 8의 S800 단계와 실질적으로 대응될 수 있고, 앞에서 살펴본 S310 단계는, 도 8의 S810 및 S820 단계와 실질적으로 대응될 수 있다.

다음으로, 앞에서 살펴본 S320 단계는, 도 8의 S830, S840, S850, S820-RE(재분배 관점에서의 S820), S810-RE(재분배 관점에서의 S810) 등과 관련될 수 있다.

일 실시예로, 도 8을 참조하면, 상기 S320 단계는, ① 스테이션 단위에서, 프로세서(110)가 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로를 계획(planning)하는 단계(S830), ② 프로세서(110)가 상기 계획에 대한 스테이션 단위의 제 1 피드백 정보를 생성하는 단계(S840), 및 ③ 프로세서(110)가 상기 제 1 피드백 정보에 기초하여, 스테이션 단위에서 로봇들의 하나 이상의 타겟 작업 지점을 재분배하는 단계(S820-RE)를 포함할 수 있다. 이때, 상기 제 1 피드백 정보는, 계획된 작업 경로에 의해 예상되는 총 작업 시간, 계획된 작업 경로에 의해 충돌이 발생되는지 여부, 충돌의 해결 가능성이 있는지 여부, 충돌이 발생한 로봇, 충돌이 발생한 시점, 충돌이 발생한 위치, 충돌이 발생하였을 때 주변 로봇의 상황 등의 정보에 기초하여 생성될 수 있다. 또한, 상기 제 1 피드백 정보는, 강화학습을 위한 보상(reward) 정보와 연관될 수 있으며, 상기 로봇의 작업 경로를 계획하는 것 또는 상기 타겟 작업 지점을 재분배하는 것은 상기 강화학습의 행동(action)과 연관될 수 있다. 또한, 프로세서(110)는, 상기 제 1 피드백 정보에 기초하여, 스테이션 단위에서 로봇들의 하나 이상의 타겟 작업 지점을 재분배하기 위하여 상기 S320 단계의 실시예-1 내지 실시예-4를 포함하는 실시예들을 활용할 수 있다.

또한, 상기 S320는, ④ 프로세서(110)가 상기 계획에 대한 평가(예컨대, 스테이션 단위의 계획에 대한 평가)에 기초하여, 전체 공정 단위의 제 2 피드백 정보를 생성하는 단계(S850), ⑤ 프로세서(110)가 상기 제 2 피드백 정보에 기초하여 전체 공정 단위에서 로봇들의 타겟 작업 지점들을 재분배하는 단계(S810-RE)를 포함할 수 있다. 예를 들어, 프로세서(110)는, 스테이션 단위의 계획을 평가한 결과, 스테이션 단위에서 타겟 작업 지점들을 재분배하는 것만으로는 최적의 작업 경로를 획득하는 것이 어렵다고 결론을 내린 경우, 전체 공정 단위의 제 2 피드백 정보를 생성하여, 전체 공정 단위에서 타겟 작업 지점들이 재분배되도록 할 수 있다. 즉, 상기 제 2 피드백 정보를 통해, 개별 스테이션 단위를 넘어서, 스테이션들 사이에서 타겟 작업 지점들이 재분배되도록 할 수 있다. 일 실시예에서, 프로세서(110)는 유전자 알고리즘, TSP 해결 알고리즘, 및 랜덤 트리와 같은 알고리즘을 사용하되, 상기 제 2 피드백 정보에 기초하여 전체 공정 단위에서 로봇들의 타겟 작업 지점들을 재분배하는 단계(S810-RE)를 수행할 수 있다.

도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 통상의 기술자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 통상의 기술자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 통상의 기술자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어,(편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (18)

1. 컴퓨팅 장치에 의해 수행되는, 로봇 공정을 위한 프로그램을 생성하는 방법으로서,
   로봇의 자세(pose)를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점(valid working spot)들을 식별하는 단계;
   상기 로봇의 상기 유효 작업 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟(target) 작업 지점을 분배하는 단계; 및
   상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로(trajectory) 또는 작업 순서를 결정하는 단계
   를 포함하고,
   상기 로봇의 상기 유효 작업 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟(target) 작업 지점을 분배하는 단계는,
   상기 로봇의 유효 작업 지점들 사이의 거리 정보에 기초하여 로봇 단위의 비용값(cost)을 산출하는 단계;
   상기 로봇의 유효 작업 지점들 사이의 거리 정보에 기초하여 스테이션 단위의 비용값을 산출하는 단계; 및
   유전자 알고리즘(GA)을 활용하여, 상기 로봇 단위의 비용값 및 상기 스테이션 단위의 비용값을 기초로, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계
   를 포함하는,
   방법.
   
2. 제 1 항에 있어서,
   상기 로봇 공정은, 복수의 스테이션(station)들을 포함하고,
   상기 복수의 스테이션들 각각은, 하나 이상의 로봇을 포함하고,
   상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계는,
   스테이션 단위에서, 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로를 계획(planning)하는 단계;
   상기 계획에 대한 스테이션 단위의 제 1 피드백 정보를 생성하는 단계; 및
   상기 제 1 피드백 정보에 기초하여, 스테이션 단위에서 로봇들의 하나 이상의 타겟 작업 지점을 재분배하는 단계
   를 포함하는,
   방법.
   
3. 제 2 항에 있어서,
   상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계는,
   상기 계획에 대한 평가에 기초하여, 전체 공정 단위의 제 2 피드백 정보를 생성하는 단계;
   상기 제 2 피드백 정보에 기초하여 전체 공정 단위에서 로봇들의 타겟 작업 지점들을 재분배하는 단계; 및
   상기 전체 공정 단위의 재분배 이후에, 스테이션 단위에서, 상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 다시 계획하는 단계
   를 더 포함하는,
   방법.
   
4. 제 1 항에 있어서,
   상기 로봇의 자세를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점들을 식별하는 단계는,
   상기 로봇이 특정 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 특정 작업 지점을 유효 작업 지점으로 결정하는 단계; 및
   각각의 유효 작업 지점에 대하여, 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 단계
   를 포함하는,
   방법.
   
   
5. 제 4 항에 있어서,
   상기 로봇이 특정 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 특정 작업 지점을 유효 작업 지점으로 결정하는 단계는,
   상기 로봇이 특정 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있지만 상기 로봇이 상기 특정 작업 지점에 진입할 수 없다고 예측되는 경우, 상기 특정 작업 지점을 유효 작업 지점에서 제외하는 단계
   를 포함하는,
   방법.
   
6. 제 4 항에 있어서,
   상기 각각의 유효 작업 지점에 대하여, 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 단계는,
   작업 대상의 질량 중심까지의 거리 정보;
   작업 대상의 축(axis)과 상기 로봇의 축 사이의 각도 정보; 또는
   상기 로봇의 질량 중심과 상기 작업 대상의 메쉬 정점(mesh vertex) 간의 거리 정보
   중 적어도 하나의 정보를 활용하여, 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 단계를 포함하는,
   방법.
   
7. 제 1 항에 있어서,
   상기 로봇 공정은, 복수의 스테이션(station)들을 포함하고,
   상기 복수의 스테이션들 각각은, 하나 이상의 로봇을 포함하고,
   상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계는,
   상기 로봇이 속한 스테이션에 대한 정보 및 상기 로봇에 대한 정보와 연관하여, 상기 로봇에 상기 하나 이상의 타겟 작업 지점을 분배하는 단계
   를 포함하는,
   방법.
   
8. 제 1 항에 있어서,
   상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계는,
   상기 로봇의 이동을 상기 로봇의 부분 구조의 이동으로 근사화하는 동작;
   상기 로봇의 유효 작업 지점들 사이의 직선 이동을 예측하는 동작; 또는
   상기 로봇의 유효 작업 지점들 사이의 회전 이동을 예측하는 동작
   중 적어도 하나의 동작에 기초하여 예측되는, 상기 로봇의 유효 작업 지점들 사이의 거리 정보에 기초하여, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계
   를 포함하는,
   방법.
   
9. 삭제
10. 제 1 항에 있어서,
    상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계는,
    상기 로봇의 작업 영역 정보에 기초하여 작업 영역 오버랩(overlap)과 관련된 비용값을 산출하는 단계; 및
    상기 유전자 알고리즘(GA)을 활용하여, 상기 로봇 단위의 비용값, 상기 스테이션 단위의 비용값, 및 상기 작업 영역 오버랩과 관련된 비용값을 기초로, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계
    를 더 포함하는,
    방법.
    
11. 제 10 항에 있어서,
    상기 로봇의 작업 영역 정보는, 상기 로봇의 작업 궤적에 복셀(voxel)을 채워 넣는 방식으로 생성된 부피(volume) 정보를 포함하는,
    방법.
    
12. 제 1 항에 있어서,
    상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계는,
    상기 로봇의 작업 영역 정보와 다른 로봇의 작업 영역 정보 사이의 오버랩 영역 정보를 식별하고, 상기 오버랩 영역 정보와 관련되어 생성되는 방해(interfering) 조정 신호를 식별하는 단계; 및
    상기 식별된 방해 조정 신호를 고려하여 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계
    를 포함하는,
    방법.
    
13. 제 12 항에 있어서,
    상기 식별된 방해 조정 신호를 고려하여 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계는,
    상기 로봇의 작업 경로를 완전히 반대 방향으로 변경하는 단계
    를 포함하는,
    방법.
    
14. 제 1 항에 있어서,
    상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 단계는,
    상기 로봇의 충돌이 예측되는 경우, 충돌 지점과 관련된 법선 벡터를 활용하여 상기 예측된 충돌의 해결 가능성을 분석하는 단계; 및
    상기 분석된 결과에 기초하여 상기 로봇의 작업 경로를 결정하는 단계
    를 포함하는,
    방법.
    
15. 제 14 항에 있어서,
    상기 로봇의 충돌이 예측되는 경우, 상기 충돌과 관련된 법선 벡터를 활용하여 상기 예측된 충돌의 해결 가능성을 분석하는 단계는,
    침투(penetration) 깊이에 반비례하는 가중치를 활용하여, 상기 충돌과 관련된 평균 법선 벡터를 산출하고, 산출된 평균 법선 벡터에 기초하여 상기 예측된 충돌의 해결 가능성을 분석하는 단계; 또는
    3개의 상이한 법선 벡터들을 활용하여 상기 예측된 충돌의 해결 가능성을 분석하는 단계
    중 적어도 하나의 단계를 포함하는,
    방법.
    
16. 제 1 항에 있어서,
    상기 로봇 공정을 위한 프로그램은, OLP(offline programming) 프로그램을 포함하고,
    상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계는,
    TSP해결 알고리즘(Traveling Salesman Problem Solving Algorithm) 또는 유전자 알고리즘(GA; Genetic Algorithm) 중 적어도 하나를 활용하여 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 단계를 포함하고,
    상기 로봇의 작업 경로를 결정하는 단계는,
    학습된 신경망 모델 또는 경로 계획 알고리즘(Path Planning Algorithm)을 활용하여 상기 로봇의 작업 경로를 결정하는 단계를 포함하는,
    방법.
    
17. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 프로그램은 적어도 하나의 프로세서로 하여금 로봇 공정을 위한 프로그램을 생성하기 위한 동작들을 수행하게 하고, 상기 동작들은:
    로봇의 자세(pose)를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점(valid working spot)들을 식별하는 동작;
    상기 로봇의 상기 유효 작업 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟(target) 작업 지점을 분배하는 동작; 및
    상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 결정하는 동작
    을 포함하고,
    상기 로봇의 상기 유효 작업 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟(target) 작업 지점을 분배하는 동작은,
    상기 로봇의 유효 작업 지점들 사이의 거리 정보에 기초하여 로봇 단위의 비용값(cost)을 산출하는 동작;
    상기 로봇의 유효 작업 지점들 사이의 거리 정보에 기초하여 스테이션 단위의 비용값을 산출하는 동작; 및
    유전자 알고리즘(GA)을 활용하여, 상기 로봇 단위의 비용값 및 상기 스테이션 단위의 비용값을 기초로, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 동작
    을 포함하는,
    컴퓨터 판독가능한 저장 매체에 저장된 컴퓨터 프로그램.
    
18. 컴퓨팅 장치로서,
    적어도 하나의 프로세서; 및
    메모리
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    로봇의 자세(pose)를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점(valid working spot)들을 식별하고;
    상기 로봇의 상기 유효 작업 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟(target) 작업 지점을 분배하고; 그리고
    상기 로봇의 충돌 가능성을 고려하여, 상기 로봇의 작업 경로 또는 작업 순서를 결정하도록 구성되고,
    상기 로봇의 상기 유효 작업 지점들 사이의 거리를 추정하는 것에 기초하여, 상기 로봇에 하나 이상의 타겟(target) 작업 지점을 분배하는 과정은,
    상기 로봇의 유효 작업 지점들 사이의 거리 정보에 기초하여 로봇 단위의 비용값(cost)을 산출하고;
    상기 로봇의 유효 작업 지점들 사이의 거리 정보에 기초하여 스테이션 단위의 비용값을 산출하고; 그리고
    유전자 알고리즘(GA)을 활용하여, 상기 로봇 단위의 비용값 및 상기 스테이션 단위의 비용값을 기초로, 상기 로봇에 하나 이상의 타겟 작업 지점을 분배하는 과정
    을 포함하는
    컴퓨팅 장치.

Images