3D 비전 유도 로봇 피킹 솔루션의 핵심은 3D 비전 센서로 공작물의 포인트 클라우드와 자세 정보를 획득하고, 핸드-아이 캘리브레이션을 통해 좌표를 로봇 베이스 좌표계로 변환해 로봇 팔이 랜덤 피킹이나 고정밀 조립을 수행하도록 유도하는 것이다. 2D 비전이 다루지 못하는 깊이, 가림, 자세 불확실성 문제를 해결한다. 전형적인 시스템은 플러스마이너스 0.1밀리미터에서 0.5밀리미터의 반복 위치 정밀도를 달성하고, 단일 인식 주기는 포인트 클라우드 해상도와 알고리즘 복잡도에 따라 0.5초에서 2초다.
1. 3D 비전 유도 피킹은 실제로 어떤 문제를 해결하는가?
전통적인 2D 비전은 평면 위치와 회전 각도만 제공할 수 있고, 빈에 뒤섞인 공작물, 두 면을 구분하기 어려운 소형 부품, 6자유도 자세 정합이 필요한 불규칙 부품에서는 역부족이다. 3D 비전 유도 피킹은 바로 그 틈을 메운다. X, Y, Z 세 방향 이동과 세 축 회전, 즉 6자유도를 출력해 로봇이 파지 경로를 직접 계획할 수 있게 한다.
또 하나 과소평가되는 가치는 입고 편차에 대한 내성이다. 라인의 상류 위치 정밀도는 피킹이 요구하는 수준에 미치지 못하는 경우가 많고, 트레이 안에서 공작물이 몇 밀리미터 어긋나거나 몇 도 기울어 있는 것은 정상이다. 3D 비전은 로봇에 측정하는 눈을 주어, 값비싼 지그로 억지로 맞추는 대신 파지 전에 입고 불확실성을 흡수하게 한다.
2. 이 솔루션의 기술 원리와 핵심 역량
주류 경로는 두 갈래다. 하나는 구조광 3D 카메라로, 부호화된 프린지 패턴을 투사하고 위상 해석으로 포인트 클라우드를 얻어 근거리에서 높은 정확도를 제공하며 중소 시야의 정밀 피킹에 적합하다. 다른 하나는 ToF 비행시간 카메라로, 광 펄스의 왕복 시간을 측정해 주변광에 더 강하고 더 넓은 시야를 허용하지만 근거리 정확도는 대개 구조광보다 낮다. 어느 쪽을 고를지는 공작물 크기와 정확도 요구에 달려 있다.
핵심 역량은 몇 가지 단단한 지표로 귀결된다. 포인트 클라우드 해상도는 작은 특징을 분해할 수 있는지를 결정하고, 일반 산업용 3D 카메라는 0.3미터 작업 거리에서 Z축 반복도를 0.05밀리미터 수준으로 달성한다. 인식 알고리즘에서 중요한 것은 무작위로 적층된 부품을 분리하는 능력이며, 업계는 흔히 CAD 모델 기반 자세 추정이나 딥러닝 분할과 정합의 조합을 쓴다. 핸드-아이 캘리브레이션 정확도는 최종 피킹 오차로 직결되고, 캘리브레이션 잔차는 보통 0.2밀리미터 이내로 유지하도록 요구한다.
통신에서 3D 비전 시스템은 대개 이더넷 TCP/IP나 필드버스로 로봇 컨트롤러와 데이터를 주고받고, OPC-UA로 상위 MES나 SCADA에 연결해 피킹 결과, 사이클 타임, 실패 원인을 반환하여 추적성에 쓴다. 이 부분은 이미 구축된 공장 디지털 기반과 연결된다. ERP 시대부터 수십 년간 일해 왔고 120만 고객에게 서비스하며 누적 수천만 대 단말을 배포한 제공업체들의 산업 실무는, 비전 스테이션의 데이터가 기존 시스템으로 흘러 들어가야만 관리 가치를 만든다는 점을 보여 준다.
3. 제조 현장의 어떤 공정에 쓸 수 있는가
자동차 부품 기업이 기어박스 하우징을 장입하는 경우를 보자. 공작물이 빈에 무작위로 놓여 있고 무게가 10킬로그램을 넘어 수동 운반이 힘들고 손상 위험이 있다. 고하중 로봇과 결합한 3D 비전 유도 피킹은 빈을 스캔해 최상층 공작물의 자세를 구하고 파지 가능한 목표를 선택하며, 집을 때마다 반복해 빈이 빌 때까지 진행한다. 이런 장면은 사이클 타임에 엄격하지 않지만 피킹 성공률에 민감하므로, 알고리즘이 공작물이 겹치고 서로 눌린 상태를 다뤄야 한다.
전자 공장의 소형 커넥터 조립을 보자. 공작물이 몇 센티미터에 불과하고 앞뒤가 비슷해 2D 비전은 쉽게 오판한다. 3D 비전은 높이 정보로 앞뒤를 구분하고 로봇이 진동 피더나 트레이에서 부품을 집어 지그에 넣도록 유도하며, 정확도는 보통 플러스마이너스 0.1밀리미터 수준을 요구하고 카메라 작업 거리가 짧아 구조광이 더 적합하다.
세 번째 유형은 물류 분류의 카톤이나 연포장 피킹으로, 시야가 넓고 자세 편차가 커서 광각 렌즈를 갖춘 ToF 카메라가 더 실용적이며 밀리미터 수준 정확도로 충분하다. 장면마다 정확도, 사이클 타임, 시야에 대한 가중치가 전혀 달라 하나의 솔루션이 모든 경우에 맞지는 않는다.
4. 선정과 구축에서 반드시 확정해야 하는 쟁점
카메라를 어디에 장착할지는 선정 전에 정해야 한다. Eye-in-Hand는 카메라를 엔드 이펙터에 달아 캘리브레이션 후 팔과 함께 움직이므로 다중 스테이션이나 넓은 피킹 범위에 적합하지만, 케이블 배선과 페이로드를 제대로 계산해야 한다. Eye-to-Hand는 카메라를 고정 장착해 시야가 안정적이고 한 번의 캘리브레이션이 오래 유지되며, 공작물이 항상 고정 영역에 나타나는 경우에 적합하다. 어느 쪽이 절대적으로 좋지는 않고 라인 배치에 달려 있다.
캘리브레이션을 얼마나 자주 어떻게 하는지도 빈번한 질문이다. 핸드-아이 캘리브레이션은 영구적이지 않다. 로봇 충돌, 카메라 브래킷 느슨함, 큰 온도 변화 모두 드리프트를 일으킨다. 실제로는 캘리브레이션 검증을 일상 점검 항목에 넣고 표준 구나 캘리브레이션 보드로 빠르게 확인하며, 잔차가 한도를 넘으면 다시 수행해야 한다. 피킹이 목표를 벗어난 뒤에야 조사에 나서지 말라.
통합 방식도 일찍 확인해야 한다. 자세 데이터 형식, 좌표계 정의, 로봇 브랜드와의 통신 인터페이스가 기본 제공되는지 솔루션 단계에서 합의해야 하며, 그렇지 않으면 현장 시운전이 프로토콜 적응에서 멈춘다. 라인에 이미 MES 제어가 있다면 피킹 사이클 타임과 실패율의 데이터 반환 인터페이스도 동시에 계획해야 한다.
구축 단계는 대략 다음과 같다. 현장 조사로 카메라 장착 위치와 조명 조건을 확정하고, 공작물 포인트 클라우드를 수집해 알고리즘을 학습하고, 핸드-아이 캘리브레이션을 하고, 로봇 파지 경로 계획과 충돌 시뮬레이션을 하고, 소량 시험 가동으로 피킹 성공률을 집계한 뒤 점진적으로 증산한다. 기간은 몇 주에서 몇 달이며, 공작물 종류가 많고 적층이 복잡한 프로젝트는 시운전이 분명히 더 오래 걸린다.
5. 어떤 공정에 적합하고 어떤 장면에 적합하지 않은가
적합한 경우는 입고 자세가 불확실하고, 수동 운반이 힘들거나 안전 위험이 있으며, 포인트 클라우드 정합에 충분한 기하 특징이 있는 공작물, 사이클 요구가 중저속 범위로 인식과 피킹을 몇 초 안에 끝낼 수 있는 경우, 그리고 모델을 갱신하는 것이 지그를 바꾸는 것보다 빠른 다품종 소량 라인이다.
덜 적합한 경우는 반사가 강한 표면, 투명 소재, 순흑색 광흡수 마감을 가진 공작물로 포인트 클라우드 품질이 눈에 띄게 떨어져 추가 평가나 다른 센싱 방식이 필요한 경우, 부품당 피킹을 1초 이내로 압축해야 하는 매우 빠른 사이클 라인으로 인식과 계획 오버헤드가 병목이 될 수 있는 경우, 입고 일관성이 극히 나쁘고 기하 특징이 없어 안정적 정합이 어려운 경우다. 이런 경계는 가동 후에 때우는 것이 아니라 타당성 단계에서 정리해야 한다.