Paper / Patent.

본 연구는 물류 현장에서 요구되는 툴 선택 문제를 반영하기 위해, 현업 적용 가능성을 고려한 튜토리얼형 시각-언어 추론 작업을 설계하고 이를 기반으로 경량 모델의 성능을 검증하였다. 실제 산업 환경에서는 작업 대상과 작업 공간의 형태를 관찰한 뒤 어떤 툴이 가장 적합한지를 선택해야 하며, 이 과정에서 추론 정확도뿐 아니라 비용, 지연시간, 네트워크 의존성, 하드웨어 제약까지 함께 고려되어야 한다. 이러한 이유로 클라우드 기반 대형 모델보다 온디바이스에서 동작 가능한 경량 모델의 활용 가능성이 중요하다. 이에 해당 연구는 복잡한 현업 문제를 직접 다루기보다, 핵심 의사결정 구조를 반영한 튜토리얼형 테트리스 객체 선택 문제로 단순화하여 모델의 성능을 평가하였다. 입력은 단일 Top-view 이미지이며, 모델은 작업대와 후보 객체를 바탕으로 가장 적합한 객체를 선택해야 한다. 이를 위해 Qwen3-VL-4B 기반 경량 비전언어모델에 LoRA(Low-Rank Adaptation) 파인튜닝을 적용하였고 양자화 모델 및 GPT-5.1 기반 API 추론과 성능을 비교하였다. 실험 결과, LoRA 파인튜닝 모델은 51.49%의 정확도로 GPT-5.1 대비 우수한 성능을 보였으며, 4-bit 양자화를 적용한 경우 정확도는 일부 감소하였으나 GPU 메모리 사용량은 약 8.9GB에서 3.24GB로 크게 감소하였다. 또한 추론 지연시간은 약 524ms 수준으로 유지되어, 제한된 자원 환경에서도 효율적인 온디바이스 추론이 가능함을 확인하였다.

Task-Space 기반 잠재 모션 표현을 활용한 이종 자유도 로봇 간 모션 전이. IJCAS 특집호 확장을 목표로 연구를 진행하고 있습니다.

본 연구에서는 산업 현장에서 물품을 효율적이고 신속하게 이송하며 Pick & Place 작업을 구현할 수 있는 소형 자율주행 모빌리 티와 매니플레이터를 통합한 시스템을 제안하였다. 매니플레이터는 다이나믹셀(AX-12a)을 이용하여 제작하였으며, 내부 구조를 트러스 구조 형태로 제작하여 강도와 경량성을 동시에 확보하였다. 또한 매니플레이터의 바닥 부분은 간단한 지지보로서 외팔보로 가정했을 때 본 미세스 응력이 가장 크게 발생하는 부분으로, 두 개의 모터를 배치하여 이 문제를 보완하였다. 모터 제어의 경우 Dynamixel Wizard2를 통해 모터 상태를 확인하고, Cortex M4 기반의 STM 보드와 통신 회로를 활용해 각도 값을 제어하였다. 모빌리티는 두 개의 엔코더가 장착된 모터와 볼베어링을 활용하여 설계하였고, ROS1 Noetic 환경에서 Hector SLAM 알고리즘을 적용하였다. LiDAR 센서의 Map 좌표값과 로봇의 Base_link 좌표값을 이용하여 Differential Drive Kinematics를 통해 계산된 결 과값으로 Twist 헤더 파일을 통해 엔코더 모터를 제어하는 보드에 노드를 생성하여 시리얼 통신으로 제어함으로써 목표 지점까지 이동할 수 있도록 하였다. 또한, 전방에는 깊이 카메라를 활용해 YOLO v5 알고리즘을 통해 객체 인식을 수행함으로써 향상된 자율주행 성능을 구현할 수 있도록 하였다.

본 연구는 물품을 무게 기반으로 분류하면서 기존의 컨베이어 벨트 분류와는 차별화되는 새로운 직교형 로봇 개발을 목표로 한 다. 최근 산업용 로봇 및 자동화 기술에 대한 투자와 성장이 가시화되면서 기존의 분류 시스템보다 더 효율적인 시스템을 제안하고 자 하였다. 본 연구에는 직교형 로봇을 구성하는 주요 요소로 X-Y table, 그리퍼, 물품 투입부, 카메라가 있다. X-Y table을 구성할 때, X, Z축을 타이밍 벨트와 풀리를 이용해 스텝 모터에 연결하여 이동 동작을 구현하였다. 이때, 이동 구역을 벗어나지 않게 리밋 스위치 를 사용하였다. 그리퍼에는 서보 모터를 장착해 회전 및 Grip&Hold 기능이 가능하게 설계하였고, 물품 투입부에는 로드셀을 부착 해 물품의 무게를 인식한 후 Place 구역을 분류한다. 카메라는 opcnCV의 해리스-코너-검출 기법을 활용해 물품의 아웃 포인트를 추출한다. 여기에서 물품의 틀어진 각도, 중심점 정보를 추출하여 그리퍼가 이 정보를 통해 이동, 회전하여 Pick을 수행한다. 이후, 지정 위치에 물품을 Place 한다. 이때, 그리퍼는 X-Y table에 연결되어 이동하게 된다. 메인보드로는 Raspberry-pi를, 서브 보드로는 Raspberry-pi-pico 을 사용하였다. 서브 보드는 서보 모터를, 메인 보드는 스텝 모터, 리밋 스위치, 카메라, 로드셀을 연결하였다. 서브 보드와 메인 보드는 블루투스를 통해 통신한다. 서보 보드가 계속 움직이는 것을 고려해 유선이 아닌 근거리 무선 통신 방식을 채택하였다. 이러한 요소들을 통해 물품 투입부에 물품이 들어오면 로드셀이 무게를 측정하고, 카메라가 물품을 인식하여 X-Y table이 이동해 그리퍼가 물품을 pick하고 지정 위치에 물품을 place 하는 시스템을 설계하였다.