KR20210007774A - 로봇 시뮬레이터의 표시 방법 - Google Patents

로봇 시뮬레이터의 표시 방법 Download PDF

Info

Publication number
KR20210007774A
KR20210007774A KR1020190084787A KR20190084787A KR20210007774A KR 20210007774 A KR20210007774 A KR 20210007774A KR 1020190084787 A KR1020190084787 A KR 1020190084787A KR 20190084787 A KR20190084787 A KR 20190084787A KR 20210007774 A KR20210007774 A KR 20210007774A
Authority
KR
South Korea
Prior art keywords
robot
tool
image
displaying
simulator
Prior art date
Application number
KR1020190084787A
Other languages
English (en)
Inventor
곽호성
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190084787A priority Critical patent/KR20210007774A/ko
Priority to US16/562,924 priority patent/US11534909B2/en
Publication of KR20210007774A publication Critical patent/KR20210007774A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1671—Programme controls characterised by programming, planning systems for manipulators characterised by simulation, either to verify existing program or to create and verify new program, CAD/CAM oriented, graphic oriented programming systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

본 발명은 툴의 작업 방향을 직관적으로 인지할 수 있는 로봇 시뮬레이터의 표시 방법을 제공하는데 그 목적이 있다.
본 발명의 일 실시예에 따른 툴이 로봇암의 엔드 이펙터(end effector)에 장착될 수 있는 로봇의 실제 이미지를 디스플레이하는 제1단계; 상기 제1단계에 디스플레이된 로봇암의 엔드 이펙터에 상기 툴의 작동 방향을 나타내는 툴 좌표계를 디스플레이하는 제2단계; 및 상기 제1단계에 디스플레이된 로봇암의 엔드 이펙터에 3차원 형상의 VR(vitual reality) 이미지를 디스플레이하는 제3단계;를 포함하는 로봇 시뮬레이터의 표시 방법을 제공한다.

Description

로봇 시뮬레이터의 표시 방법 {How to display on a robot simulator panel}
본 발명은 툴의 작업 방향을 직관적으로 인지할 수 있는 로봇 시뮬레이터의 표시 방법을 제공하는데 그 목적이 있다.
로봇 기술의 발전과 함께 로봇을 이용한 자동화가 많이 진행되고 있으며, 이를 통해 공정의 작업 효율을 향상시키는 동시에 생산성을 높이고 있다.
기존의 산업 현장에서 로봇을 활용하기 위하여, 오퍼레이터가 현장에서 직접 로봇의 동작을 확인하면서 로봇을 원하는 동작으로 설정하는 방법이 이용되고 있다.
상기와 같은 방법은 숙련된 전문가인 오퍼레이터만 진행할 수 있고, 작업 변경 시에 빠른 대응이 어려운 문제점이 있다.
3차원 CAD(Computer Aided Design) 데이터 등에 근거하여 표시 장치 상에 로봇의 3차원 모델 화상을 그래픽 표시하고, 이러한 3차원 모델 화상을 조작하여 로봇 시스템의 동작을 시뮬레이트 연산하는 로봇 시뮬레이터가 제안되고 있다.
일본등록특허 제6350037호(2014.06.30.출원)에는 로봇 및 각종 기기의 동작을 시뮬레이트하는 동영상을 작성하여 애니메이션 재생하고, 시뮬레이션 결과를 용이하게 확인할 수 있는 로봇 시뮬레이터가 개시된다.
이러한 로봇 시뮬레이터함으로서, 오퍼레이터는 로봇을 실제로 동작시키는 일없이, 로봇에 의한 작업을 검증할 수 있다.
물론, 로봇 시뮬레이터 상에 로봇의 작업을 생성하기 위하여, 오퍼레이터가 티칭 데이터를 로봇 시뮬레이터에 입력해야 한다.
그런데, 여러 가지 툴이 로봇암의 엔드 이펙터에 장착될 수 있는 작업 로봇인 경우, 툴을 변경할 때마다 오퍼레이터가 툴의 작업 방향을 고려하여 티칭 데이터를 로봇 시뮬레이터에 입력해야 한다.
종래 기술에 따르면, 로봇 시뮬레이터 상에 툴 좌표계가 디스플레이 될 수 있지만, 다양한 종류의 툴을 적용할 때마다 오퍼레이터가 툴의 작업 방향을 직관적으로 인지하기 어려운 문제점이 있다.
본 발명은 툴의 작업 방향을 직관적으로 인지할 수 있는 로봇 시뮬레이터의 표시 방법을 제공하는데 그 목적이 있다.
본 발명의 일 실시예에 따른 툴이 로봇암의 엔드 이펙터(end effector)에 장착될 수 있는 로봇의 실제 이미지를 디스플레이하는 제1단계; 상기 제1단계에 디스플레이된 로봇암의 엔드 이펙터에 상기 툴의 작동 방향을 나타내는 툴 좌표계를 디스플레이하는 제2단계; 및 상기 제1단계에 디스플레이된 로봇암의 엔드 이펙터에 3차원 형상의 VR(vitual reality) 이미지를 디스플레이하는 제3단계;를 포함하는 로봇 시뮬레이터의 표시 방법을 제공한다.
상기 제3단계는, 상기 VR 이미지를 상기 툴의 작업 방향을 직관적으로 표시할 수 있는 핸드 이미지로 디스플레이할 수 있다.
상기 제3단계는, 상기 VR 이미지를 상기 로봇암의 전체 길이 보다 짧게 디스플레이하고, 상기 로봇암의 전체 길이에 대해 20 ~ 25% 길이로 디스플레이할 수 있다.
상기 제3단계는, 상기 VR 이미지를 상기 로봇암에 장착되는 툴의 길이와 같거나, 길게 디스플레이할 수 있다.
상기 제3단계는, 상기 VR 이미지를 상기 툴과 적어도 일부가 중첩되게 디스플레이할 수 있다.
상기 제3단계는, 상기 VR 이미지를 상기 툴의 움직임과 연동되게 디스플레이할 수 있다.
상기 제3단계는, 상기 핸드 이미지를 상기 툴 좌표계와 적어도 일부가 중첩되게 디스플레이할 수 있다.
상기 제2단계는, 상기 툴 좌표계를 3차원 상에서 서로 직교하는 X축과 Y축 및 Z축으로 표시할 수 있고, 상기 Z축을 상기 툴의 길이 방향으로 설정할 수 있다.
상기 제2단계는, 상기 툴 좌표계를 상기 로봇암의 방향과 일치시키는 과정을 더 포함할 수 있다.
상세하게, 상기 X축을 상기 로봇암의 엔드 이펙터와 가장 근접한 관절이 접히는 방향으로 디스플레이하고, 상기 Z축을 상기 로봇암의 엔드 이펙터가 가르키는 방향으로 디스플레이하며, 상기 Y축을 상기 X,Y축이 직교하는 방향으로 디스플레이할 수 있다.
상기 제3단계는, 상기 핸드 이미지의 방향을 상기 툴 좌표계와 일치시키는 과정을 더 포함할 수 있다.
상세하게, 상기 핸드 이미지의 손바닥이 가리키는 방향을 상기 X축으로 디스플레이하고, 상기 핸드 이미지의 엄지 손가락이 가리키는 방향을 상기 Y축으로 디스플레이하며, 상기 핸드 이미지의 엄지를 제외한 나머지 손가락이 가리키는 방향을 상기 Z축으로 디스플레이할 수 있다.
상기 제1단계는, 복수개의 툴이 동시에 장착될 수 있는 로봇암의 엔드 이펙터를 디스플레이하고, 상기 제2단계는, 상기 제1단계에 디스플레이된 로봇암의 엔드 이펙터에 상기 툴들의 장착 위치마다 툴 좌표계들을 디스플레이하며, 상기 제3단계는, 상기 제1단계에 디스플레이된 로봇암의 엔드 이펙터에 상기 툴들의 장착 위치마다 VR 이미지들을 디스플레이할 수 있다.
상기 제1단계에서 장착될 수 있는 툴들 중 하나를 선택하는 제4단계를 더 포함하고, 상기 제2단계는, 상기 제4단계에서 선택된 툴이 장착될 수 있는 로봇암의 엔드 이펙터 위치에 상기 툴 좌표계 하나만 디스플레이할 수 있다.
상기 제1단계에서 장착될 수 있는 툴들 중 하나를 선택하는 제4단계를 더 포함하고, 상기 제3단계는, 상기 제4단계에서 선택된 툴이 장착될 수 있는 로봇암의 엔드 이펙터 위치에 상기 VR 이미지 하나만 디스플레이할 수 있다.
상기 제3단계는, 상기 VR 이미지를 상기 툴과 적어도 일부가 중첩되게 디스플레이할 수 있다.
상기 제3단계는, 상기 VR 이미지를 상기 툴의 움직임과 연동되게 디스플레이할 수 있다.
상기 제3단계는, 상기 VR 이미지를 상기 툴 좌표계와 적어도 일부가 중첩되게 디스플레이할 수 있다.
본 발명의 로봇 시뮬레이터는 디스플레이 패널에 실제 로봇암의 이미지를 표시하고, 로봇암의 엔드 이펙터에 툴 좌표계 및 3차원 형상의 VR 이미지를 표시할 수 있다.
따라서, 툴 좌표계와 VR 이미지를 통하여 로봇암에 장착될 수 있는 툴의 작업 방향을 직관적으로 사람이 일하는 것과 같이 인지할 수 있고, 별도로 로봇암을 직접 움직이면서 작업 방향을 확인하지 않더라도 손쉽게 작업을 지시할 수 있으므로, 오퍼레이터의 작업 편의성을 증대시킬 수 있고, 작업 속도를 높일 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸 구성도.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸 구성도.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸 구성도.
도 4는 본 발명에 따른 로봇 시뮬레이터의 일예가 도시된 구성도.
도 5는 본 발명에 따른 로봇 시뮬레이터 상에 표시되는 화면의 제1실시예가 도시된 도면.
도 6a 및 도 6b는 본 발명에 따른 로봇 시뮬레이터 상에 표시되는 화면의 제2실시예가 도시된 도면.
도 7은 본 발명의 로봇 시뮬레이터에서 로봇암을 기준으로 핸드 이미지의 크기를 설정하는 일예가 도시된 도면.
도 8은 본 발명의 로봇 시뮬레이터에서 그리퍼를 기준으로 툴 좌표계를 설정하는 일예가 도시된 도면.
도 9는 본 발명의 로봇 시뮬레이터에서 로봇암을 기준으로 툴 좌표계를 설정하는 일예가 도시된 도면.
도 10은 본 발명의 로봇 시뮬레이터에서 툴 좌표계를 기준으로 핸드 이미지를 설정하는 일예가 도시된 도면.
도 11은 본 발명의 일 실시예에 따른 로봇 시뮬레이터의 표시 방법이 도시된 순서도.
이하에서는, 본 실시예에 대하여 첨부되는 도면을 참조하여 상세하게 살펴보도록 한다.
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 2를 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
도 4는 본 발명에 따른 로봇 시뮬레이터의 일예가 도시된 구성도이다.
본 발명은 산업 현장에 작업을 수행하는 로봇용 시뮬레이터로서, 툴이 장착될 수 있는 로봇암을 구비하는 로봇을 시뮬레이터하기 위한 장치에 한정하여 설명하기로 한다.
본 발명의 로봇 시뮬레이터(300)는 도 4에 도시된 바와 같이 조작 패널(310)과, 마이컴(320)과, 데이터 베이스(330)와, 디스플레이 패널(340)을 포함할 수 있다.
조작 패널(310)은 오퍼레이터가 실제로 입력하는 입력값을 입력받을 수 있고, 마이컴(320)으로 입력값을 전송할 수 있다.
조작 패널(310)을 통하여 로봇의 종류, 로봇의 이동 변위, 툴의 종류, 툴의 장착 위치, 툴의 이동 변위 등을 입력받을 수 있으며, 한정되지 아니한다.
또한, 조작 패널(310)은 터치 패널 방식으로 하기의 디스플레이 패널(340)과 일체로 구성될 수 있으며, 한정되지 아니한다.
마이컴(320)은 조작 패널(310)을 통하여 입력된 입력값과 데이터 베이스(330)에 저장된 데이터를 고려하여 화상 정보 및 재생 정보를 생성할 수 있고, 디스플레이 패널(340)로 화상 정보 및 재생 정보를 전송할 수 있다.
화상 정보에 의하여 3차원 화상을 디스플레이 패널(340)에 표시할 수 있고, 재생 정보에 의하여 3차원 화상이 연속적으로 움직이는 애니메이션을 디스플레이 패널(340)에 표시할 수 있다.
데이터 베이스(330)는 실제 작업 환경에 관한 데이터를 비롯하여 시뮬레이터와 연계되는 로봇의 제원 데이터, 툴의 제원 데이터, 툴 좌표계, VR 이미지 등과 같은 각종 데이터가 저장될 수 있으며, 필요에 따라 마이컴(340)에 해당 데이터를 전송할 수 있다.
물론, 실제 작업 환경에 관한 데이터는 별도의 영상장치, 카메라, 비전시스템 등을 통하여 입력받을 수 있고, 데이터 베이스(330)에 저장되거나, 바로 마이컴(320)으로 전송될 수 있다.
디스플레이 패널(340)은 마이컴(320)에서 전송되는 화상 신호와 재생 신호에 따라 로봇과 툴의 실제 이미지를 3차원 화상으로 표시할 수 있고, 로봇암의 엔드 이펙터 측에 툴 좌표계와 VR 이미지를 겹쳐지도록 표시할 수 있다.
도 5는 본 발명에 따른 로봇 시뮬레이터 상에 표시되는 화면의 제1실시예가 도시된 도면이다.
본 발명의 제1실시예에 따른 로봇 시뮬레이터(300)는 하나의 툴만 장착할 수 있는 로봇을 시뮬레이션하기 위한 장치로서, 로봇 이미지(400)와 함께 툴 좌표계(500) 및 VR 이미지(600)를 3차원 화상으로 디스플레이 패널(340)에 표시할 수 있다.
로봇 이미지(400)는 실제 로봇을 구성하는 형상으로 구현되는데, 베이스(410)와, 베이스(410) 위에 미리 설정된 자유도로 움직일 수 있는 로봇암(420)과, 툴이 장착될 수 있는 로봇암(420)의 단부인 엔드 이펙터(430)를 포함할 수 있다.
로봇암(420)은 복수개의 링크(421,422)를 복수개의 관절(J)로 연결된 구조로 구성될 수 있다. 물론, 관절들이 구동 모터에 의해 회전됨에 따라 링크들의 움직임을 조절할 수 있고, 엔드 이펙터(430)를 작업 위치로 이동시킬 수 있다.
엔드 이펙트(430)는 그리퍼와, 센서와, 툴 체인저 등이 장착될 수 있으며, 한정되지 아니한다.
툴 좌표계(500)는 툴의 방향을 표시하는 좌표계로서, 툴이 장착될 수 있는 엔드 이펙터에 구비될 수 있다. 툴 좌표계(500)는 3차원 상에서 서로 직교하는 X축과 Y축과 Z축으로 표시될 수 있다.
VR 이미지(600)는 직관적으로 툴의 방향을 표시하기 위한 이미지로서, 마찬가지로 툴이 장착될 수 있는 엔드 이펙터(430)에 구비될 수 있다. VR 이미지(600)는 친숙한 3차원 형상의 핸드 이미지로 표시될 수 있으나, 한정되지 아니한다.
VR 이미지(600)의 적어도 일부는 툴 좌표계(500)와 겹쳐지도록 표시될 수 있는데, 툴 좌표계(500)와 VR 이미지(600)의 방향을 인지할 수 있도록 표시되어야 한다. VR 이미지(600)는 툴의 움직임과 연동하도록 표시될 수 있으나, 한정되지 아니한다.
툴 좌표계(500)와 VR 이미지(600)의 적어도 일부는 툴의 이미지와 겹쳐지도록 표시될 수 있는데, 툴의 움직임을 인지할 수 있도록 표시되어야 한다.
예를 들어, 툴 좌표계(500)와 VR 이미지(600)는 모두 투명하게 표시될 수 있다.
또한, 툴 좌표계(500)와 VR 이미지(600)는 불투명하게 표시될 수 있으나, 둘다 그 방향을 인지할 수 있도록 표시되어야 한다. 즉, 크기가 작은 툴 좌표계(500)를 크기가 큰 VR 이미지(600) 보다 전방에 위치하도록 표시할 수 있다.
또한, 툴 좌표계(500)와 VR 이미지(600) 중 하나가 불투명하게 구성되고, 다른 하나가 투명하게 표시될 수 있다.
도 6a 및 도 6b는 본 발명에 따른 로봇 시뮬레이터 상에 표시되는 화면의 제2실시예가 도시된 도면이다.
본 발명의 제2실시예에 따른 로봇 시뮬레이터(300)는 제1,2 툴(450,460)을 장착할 수 있는 로봇을 시뮬레이션하기 위한 장치로서, 제1,2 툴(450,460)이 엔드 이펙터(430)에 동시에 장착될 수 있고, 엔드 이펙터(430) 측 제1,2 툴(450,460)의 장착 위치에 제1,2 툴 좌표계(510,520) 및 제1,2 VR 이미지(610,620)를 3차원 화상으로 디스플레이 패널(340)에 표시할 수 있다.
오퍼레이터는 로봇에 장착될 수 있는 제1,2 툴(450,460)을 로봇 시뮬레이터 측에 입력할 수 있는데, 제1,2툴(450,460)은 다양한 종류의 툴로 구성될 수 있으며, 한정되지 아니한다.
오퍼레이터는 디스플레이 패널(340)을 통하여 제1,2 툴(450,460) 중 하나를 선택할 수 있고, 로봇 시뮬레이터는 선택된 툴의 장착 위치에 해당하는 툴 좌표계와 VR 이미지만 디스플레이 패널(340)에 표시할 수 있다.
제1 툴(450)이 선택되면, 도 6a 에 도시된 바와 같이 제1,2 툴(450,460)과 함께 제1 툴(450)의 장착 위치에 제1 툴 좌표계(510)와 제1 VR 이미지(610)만 표시하고, 제2 툴 좌표계(520)와 제2 VR 이미지(620)를 표시하지 않을 수 있다.
제2 툴(460)이 선택되면, 도 6b 에 도시된 바와 같이 제1 툴 좌표계(510)와 제1 VR 이미지(610)를 표시하지 않고, 제1,2 툴(450,460)과 함께 제2 툴(460)의 장착 위치에 제2 툴 좌표계(610) 및 제2 VR 이미지(620)만 표시할 수 있다.
물론, 제1,2 툴 좌표계(510.520)와 제1,2 VR 이미지(610,620)는 투명하거나, 불투명하게 표시될 수 있고, 제1,2 툴 좌표계(510.520)와 제1,2 VR 이미지(610,620)의 방향을 인지할 수 있도록 표시되어야 한다.
도 7은 본 발명의 로봇 시뮬레이터에서 로봇암을 기준으로 핸드 이미지의 크기를 설정하는 일예가 도시된 도면이다.
본 발명에 적용된 VR 이미지(600)는 핸드 이미지를 적용함으로서, 오퍼레이터가 친숙한 핸드 이미지를 통하여 직관적으로 작업 방향을 인지할 수 있다.
핸드 이미지(600)를 로봇암(420)의 단부인 엔드 이펙터(430)에 표시하는데, 핸드 이미지(600)는 5개의 손가락과 손바닥 및 손등을 그대로 포함할 수 있다.
핸드 이미지(600)의 길이(L2)는 툴(440)을 포함하는 로봇암(420) 전체 길이(L1+L2)를 기준으로 산정될 수 있는데, 툴(440)을 포함하는 로봇암(420) 전체는 인간의 어깨부터 손 끝까지로 볼 수 있고, 핸드 이미지(600)는 손으로 볼 수 있다.
핸드 이미지(600)의 길이(L2)는 로봇암(420)의 전체 길이(L1+L2) 보다 짧게 구성될 수 있고, 툴(440)의 길이와 같거나, 툴(440)의 길이 보다 더 길게 구성될 수 있다.
인체의 비율 즉, 손 길이는 팔 길이의 25% 정도를 유지하는 것을 고려하면, 핸드 이미지(600)의 길이는 로봇암(420)의 전체 길이에 대해 20 ~ 25% 길이로 구성하는 것이 바람직하며, 인체와 비슷한 비율로 로봇암(420)과 같이 핸드 이미지(600)를 자연스럽게 표시할 수 있다.
도 8은 본 발명의 로봇 시뮬레이터에서 그리퍼를 기준으로 툴 좌표계를 설정하는 일예가 도시된 도면이고, 도 9는 본 발명의 로봇 시뮬레이터에서 로봇암을 기준으로 툴 좌표계를 설정하는 일예가 도시된 도면이며, 도 10은 본 발명의 로봇 시뮬레이터에서 툴 좌표계를 기준으로 핸드 이미지를 설정하는 일예가 도시된 도면이다.
본 발명의 로봇 시뮬레이터는 그리퍼(440)를 로봇암(420) 측 엔드 이펙터(430)에 장착한 로봇을 기준으로 시뮬레이션하는 것을 기준으로 설명하기로 한다.
본 발명의 로봇 시뮬레이터는 디스플레이 패널에 로봇과 함께 툴 좌표계(500)와 핸드 이미지(600)를 디스플레이하게 되는데, 툴 좌표계(500)와 핸드 이미지(600)의 위치가 설정되는 과정을 살펴보면, 다음과 같다.
먼저, 도 8에 도시된 바와 같이 툴 좌표계(550)가 그리퍼(440)를 기준으로 설정될 수 있다.
실시예에 따르면, Z축이 그리퍼(440)의 길이 방향으로 설정될 수 있다.
물론, Y축과 Z축은 오른손 법칙에 의해 오퍼레이터가 직접 설정할 수 있다.
하지만, 도 9에 도시된 바와 같이 툴 좌표계(500)가 로봇암(420)의 방향과 일치하도록 X축을 설정할 수 있다.
실시예에 따르면, Z축은 상기에서 설명한 바와 같이 그리퍼(440)의 길이 방향 즉, 로봇암(420)을 완전히 폈을 때, 엔드 이펙터(430)가 가르키는 방향으로 설정되어 있다.
그리고, X축을 로봇암(420) 측 엔드 이펙터(430)와 가장 근접한 관절(J)이 접히는 방향으로 설정할 수 있다.
그러면, Y축은 오른손 법칙에 의해 X,Y축과 직교하는 방향으로 자동으로 설정될 수 있다.
이와 같이, 툴 좌표계(500)가 그리퍼(440)와 로봇암(420)을 기준으로 엔드 이펙터(430)에 설정될 수 있다.
이후, 도 9 및 도 10에 도시된 바와 같이 핸드 이미지(600)의 방향이 툴 좌표계(500)와 일치하도록 핸드 이미지(600)를 설정할 수 있다.
실시예에 따르면, 핸드 이미지(600)의 손바닥이 가리키는 방향을 X축과 일치시킬 수 있고, 핸드 이미지(600)의 엄지 손가락이 가리키는 방향을 Y축과 일치시킬 수 있으며, 핸드 이미지(600)의 엄지를 제외한 나머지 손가락이 가리키는 방향을 Z축과 일치시킬 수 있다.
따라서, 툴 좌표계(500)와 핸드 이미지(600)가 그리퍼(440)가 장착될 수 있는 로봇암(420) 측 엔드 이펙터(430)에 동시에 표시될 수 있고, 오퍼레이터가 툴 좌표계(500)와 핸드 이미지(600)를 통하여 직관적으로 그리퍼(440)의 작업 방향을 인지할 수 있다.
도 11은 본 발명의 일 실시예에 따른 로봇 시뮬레이터의 표시 방법이 도시된 순서도이다.
로봇의 실제 이미지를 표시할 수 있다.(S1 참조)
로봇암 측 엔드 이펙터에 툴이 장착될 수 있는 로봇으로서, 사전에 입력된 데이터를 반영하여 로봇과 그 주변 작업 환경을 화상 또는 영상으로 표시할 수 있다.
다음, 툴 종류 및 툴 장착 위치가 설정되면, 설정된 툴을 기준으로 툴 좌표계를 설정할 수 있다.(S2,S3 참조)
툴의 종류가 그리퍼로 설정되면, Z축은 그리퍼의 길이 방향으로 설정될 수 있고, X축은 그리퍼의 집는 방향에 수직한 방향으로 설정될 수 있다. 그리고, X축과 Z축이 설정되면, 오른손 법칙에 따라 Y축이 설정될 수 있다.
툴 장착 위치는 로봇암 측 엔드 이펙터일 수 있고, 복수개의 툴이 장착될 경우, 복수개의 툴 장착 위치 중 하나가 선택될 수 있다.
다음, 툴 좌표계를 로봇암의 방향과 일치시키고, 툴 좌표계를 장착 위치에 표시할 수 있다.(S4,S5 참조)
Z축은 그리퍼의 길이 방향 즉, 로봇암 측 엔드 이펙터를 향하도록 설정되어 있다. X축은 로봇암 측 엔드 이펙터와 가장 가까운 관절이 접히는 방향으로 설정될 수 있다. 마찬가지로, X축과 Z축이 설정되면, 오른손 법칙에 따라 Y축이 로봇암의 방향과 일치하도록 설정될 수 있다.
툴 좌표계를 로봇암의 방향과 일치시키면, 툴 좌표계를 상기에서 선택된 툴 장착위치에 표시할 수 있다.
다음, 핸드 이미지의 방향을 툴 좌표계와 일치시키고, 핸드 이미지를 툴 좌표계와 겹치도록 표시할 수 있다. (S6,S7 참조)
X축은 핸드 이미지의 손바닥면이 향하는 방향으로 하고, Y축은 핸드 이미지의 엄지 손가락이 가르키는 방향으로 하며, Z축은 핸드 이미지의 엄지 손가락을 제외한 나머지 손가락이 가르키는 방향으로 일치시킬 수 있다.
상기와 같이, 로봇암과 툴과 툴 좌표계와 핸드 이미지의 상호 관계를 고려하여 위치 관계를 설정할 수 있고, 툴 좌표계와 핸드 이미지를 툴이 장착될 수 있는 로봇암 측 엔드 이펙터에 동시에 표시할 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.
본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
300 : 로봇 시뮬레이터 310 : 조작 패널
320 : 마이컴 330 : 데이터 베이스
340 : 디스플레이 패널 400 : 로봇암
500 : 툴 좌표계 600 : 핸드 이미지

Claims (20)

  1. 툴이 로봇암의 엔드 이펙터(end effector)에 장착될 수 있는 로봇의 실제 이미지를 디스플레이하는 제1단계;
    상기 제1단계에 디스플레이된 로봇암의 엔드 이펙터에 상기 툴의 작동 방향을 나타내는 툴 좌표계를 디스플레이하는 제2단계; 및
    상기 제1단계에 디스플레이된 로봇암의 엔드 이펙터에 3차원 형상의 VR(vitual reality) 이미지를 디스플레이하는 제3단계;를 포함하는 로봇 시뮬레이터의 표시 방법.
  2. 제1항에 있어서,
    상기 제3단계는,
    상기 VR 이미지를 상기 툴의 작업 방향을 직관적으로 표시할 수 있는 핸드 이미지로 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  3. 제2항에 있어서,
    상기 제3단계는,
    상기 VR 이미지를 상기 로봇암의 전체 길이 보다 짧게 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  4. 제3항에 있어서,
    상기 제3단계는,
    상기 VR 이미지를 상기 로봇암의 전체 길이에 대해 20 ~ 25% 길이로 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  5. 제2항에 있어서,
    상기 제3단계는,
    상기 VR 이미지를 상기 로봇암에 장착되는 툴의 길이와 같거나, 길게 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  6. 제1항에 있어서,
    상기 제3단계는,
    상기 VR 이미지를 상기 툴과 적어도 일부가 중첩되게 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  7. 제1항에 있어서,
    상기 제3단계는,
    상기 VR 이미지를 상기 툴의 움직임과 연동되게 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  8. 제2항에 있어서,
    상기 제3단계는,
    상기 핸드 이미지를 상기 툴 좌표계와 적어도 일부가 중첩되게 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  9. 제8항에 있어서,
    상기 제2단계는,
    상기 툴 좌표계를 3차원 상에서 서로 직교하는 X축과 Y축 및 Z축으로 표시하는 로봇 시뮬레이터의 표시 방법.
  10. 제9항에 있어서,
    상기 제2단계는,
    상기 Z축을 상기 툴의 길이 방향으로 설정하는 로봇 시뮬레이터의 표시 방법.
  11. 제9항에 있어서,
    상기 제2단계는,
    상기 툴 좌표계를 상기 로봇암의 방향과 일치시키는 과정을 더 포함하는 로봇 시뮬레이터의 표시 방법.
  12. 제11항에 있어서,
    상기 과정은,
    상기 X축을 상기 로봇암의 엔드 이펙터와 가장 근접한 관절이 접히는 방향으로 디스플레이하고,
    상기 Z축을 상기 로봇암의 엔드 이펙터가 가르키는 방향으로 디스플레이하며,
    상기 Y축을 상기 X,Y축이 직교하는 방향으로 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  13. 제10항에 있어서,
    상기 제3단계는,
    상기 핸드 이미지의 방향을 상기 툴 좌표계와 일치시키는 과정을 더 포함하는 로봇 시뮬레이터의 표시 방법.
  14. 제13항에 있어서,
    상기 과정은,
    상기 핸드 이미지의 손바닥이 가리키는 방향을 상기 X축으로 디스플레이하고,
    상기 핸드 이미지의 엄지 손가락이 가리키는 방향을 상기 Y축으로 디스플레이하며,
    상기 핸드 이미지의 엄지를 제외한 나머지 손가락이 가리키는 방향을 상기 Z축으로 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  15. 제1항에 있어서,
    상기 제1단계는,
    복수개의 툴이 동시에 장착될 수 있는 로봇암의 엔드 이펙터를 디스플레이하고,
    상기 제2단계는,
    상기 제1단계에 디스플레이된 로봇암의 엔드 이펙터에 상기 툴들의 장착 위치마다 툴 좌표계들을 디스플레이하며,
    상기 제3단계는,
    상기 제1단계에 디스플레이된 로봇암의 엔드 이펙터에 상기 툴들의 장착 위치마다 VR 이미지들을 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  16. 제15항에 있어서,
    상기 제1단계에서 장착될 수 있는 툴들 중 하나를 선택하는 제4단계를 더 포함하고,
    상기 제2단계는,
    상기 제4단계에서 선택된 툴이 장착될 수 있는 로봇암의 엔드 이펙터 위치에 상기 툴 좌표계 하나만 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  17. 제15항에 있어서,
    상기 제1단계에서 장착될 수 있는 툴들 중 하나를 선택하는 제4단계를 더 포함하고,
    상기 제3단계는,
    상기 제4단계에서 선택된 툴이 장착될 수 있는 로봇암의 엔드 이펙터 위치에 상기 VR 이미지 하나만 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  18. 제17항에 있어서,
    상기 제3단계는,
    상기 VR 이미지를 상기 툴과 적어도 일부가 중첩되게 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  19. 제17항에 있어서,
    상기 제3단계는,
    상기 VR 이미지를 상기 툴의 움직임과 연동되게 디스플레이하는 로봇 시뮬레이터의 표시 방법.
  20. 제17항에 있어서,
    상기 제3단계는,
    상기 VR 이미지를 상기 툴 좌표계와 적어도 일부가 중첩되게 디스플레이하는 로봇 시뮬레이터의 표시 방법.
KR1020190084787A 2019-07-12 2019-07-12 로봇 시뮬레이터의 표시 방법 KR20210007774A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190084787A KR20210007774A (ko) 2019-07-12 2019-07-12 로봇 시뮬레이터의 표시 방법
US16/562,924 US11534909B2 (en) 2019-07-12 2019-09-06 Displaying method of robot simulator

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190084787A KR20210007774A (ko) 2019-07-12 2019-07-12 로봇 시뮬레이터의 표시 방법

Publications (1)

Publication Number Publication Date
KR20210007774A true KR20210007774A (ko) 2021-01-20

Family

ID=68981333

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190084787A KR20210007774A (ko) 2019-07-12 2019-07-12 로봇 시뮬레이터의 표시 방법

Country Status (2)

Country Link
US (1) US11534909B2 (ko)
KR (1) KR20210007774A (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3230947A1 (en) * 2021-09-08 2023-03-16 Patrick McKinley JARVIS Wearable robot data collection system with human-machine operation interface

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5716769B2 (ja) * 2013-02-21 2015-05-13 株式会社安川電機 ロボットシミュレータ、ロボット教示装置およびロボット教示方法
JP5785284B2 (ja) * 2014-02-17 2015-09-24 ファナック株式会社 搬送対象物の落下事故を防止するロボットシステム
JP2018020412A (ja) * 2016-08-04 2018-02-08 セイコーエプソン株式会社 シミュレーション装置、ロボット制御装置およびロボット
JP7091609B2 (ja) * 2017-04-14 2022-06-28 セイコーエプソン株式会社 シミュレーション装置、ロボット制御装置およびロボット
JP6787966B2 (ja) * 2018-10-02 2020-11-18 ファナック株式会社 拡張現実と複合現実を用いたロボット制御装置及び表示装置

Also Published As

Publication number Publication date
US20190389061A1 (en) 2019-12-26
US11534909B2 (en) 2022-12-27

Similar Documents

Publication Publication Date Title
US20210181856A1 (en) Augmented reality interaction techniques
US10919152B1 (en) Teleoperating of robots with tasks by mapping to human operator pose
Gadre et al. End-user robot programming using mixed reality
Krupke et al. Comparison of multimodal heading and pointing gestures for co-located mixed reality human-robot interaction
Delmerico et al. Spatial computing and intuitive interaction: Bringing mixed reality and robotics together
Wallhoff et al. A skill-based approach towards hybrid assembly
US11559902B2 (en) Robot system and control method of the same
Ostanin et al. Multi robots interactive control using mixed reality
Martín-Barrio et al. Application of immersive technologies and natural language to hyper-redundant robot teleoperation
Hormaza et al. On-line training and monitoring of robot tasks through virtual reality
KR20190085895A (ko) 사용자의 시선에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
Fang et al. Head-mounted display augmented reality in manufacturing: A systematic review
KR20210044662A (ko) 로봇 및 로봇의 제어 방법
KR102537381B1 (ko) 보행경로예측장치
KR20190098930A (ko) 사용자에게 음식을 제공하는 방법 및 그 장치
US11618164B2 (en) Robot and method of controlling same
US11534909B2 (en) Displaying method of robot simulator
Kulakov et al. Information Technology for Interactive Robot Task Training Through Demonstration of Movement 1
Bonaiuto et al. Tele-operation of robot teams: a comparison of gamepad-, mobile device and hand tracking-based user interfaces
KR20210050201A (ko) 로봇, 로봇의 작동 방법 및 상기 로봇을 포함하는 로봇 시스템
KR20190114933A (ko) 인공지능 장치
CN116197899A (zh) 一种基于vr的主动式机器人遥操作系统
CN115359222A (zh) 一种基于扩展现实的无人交互控制方法及系统
Wang et al. Construction of Human-Robot Cooperation Assembly Simulation System Based on Augmented Reality
Serpiva et al. Swarmpaint: Human-swarm interaction for trajectory generation and formation control by dnn-based gesture interface