SafeGuard ASF: SR Agentic Humanoid Robot System for Autonomous Industrial Safety

1. 문제 정의 (Problem Statement)

• 배경: 제조업은 인력이 없는 "다크 팩토리 (Dark Factory)"로 전환되고 있으며, 이는 효율성을 높이지만 안전 관리에 새로운 도전을 제기합니다.
• 기존 한계:
  • 기존 안전 시스템은 인간 관찰에 의존하거나, 화재 감지, 가스 누출, 보안 등 각 위험 유형별로 분리된 시스템을 사용하여 사각지대가 발생하고 유지보수가 복잡합니다.
  • 고정식 센서나 드론은 접근성 (계단, 좁은 통로), 물리적 개입 능력 (밸브 조작 등), 그리고 다양한 위험에 대한 통합 대응 능력이 부족합니다.
• 목표: 인간형 로봇을 활용하여 다크 팩토리 환경에서 화재, 열적 이상, 침입자 등 다양한 위험을 자율적으로 감지하고 대응하는 통합 안전 시스템을 구축하는 것입니다.

2. 방법론 (Methodology)

A. 시스템 아키텍처 (SafeGuard ASF)

시스템은 6 계층 구조로 설계되어 센서 데이터 처리부터 행동 실행까지 통합됩니다.

1. 지각층 (Perception): RGB-D 카메라 (Intel RealSense D455) 와 열화상 센서를 통해 화재/연기, 열적 이상, 사람 등을 3D 공간에 국소화합니다.
2. 이해층 (Understanding): 감지된 사건의 심각도 (화재 단계, 온도 상승 추세) 를 평가합니다.
3. 기억층 (Memory): 시설 지도, 정상 작동 시 열적 기준치 (Baseline), 승인된 인력 데이터베이스를 유지합니다.
4. 의사결정층 (Decision - ToolOrchestra): ReAct (Reasoning and Acting) 패러다임을 적용한 에이전트 프레임워크입니다. 23 가지 전문 도구 (Perception, Reasoning, Knowledge, Actuation) 를 사용하여 구조화된 의사결정을 수행합니다.
5. 계획층 (Planning): 전역 경로 계획 (D* Lite) 과 국소 궤적 최적화 (MPPI) 를 통해 장애물을 피하며 이동합니다.
6. 행동층 (Action): 이동 제어 (Locomotion) 및 원격 밸브 조작 등 물리적/통신적 행동을 실행합니다.

B. 하드웨어 플랫폼

• 로봇: Unitree G1 인간형 로봇 (29 자유도, 23 하체 + 6 상체).
• 센서: Intel RealSense D455 (RGB-D), NVIDIA Jetson Orin (에지 컴퓨팅).
• 특징: 인간이 설계한 환경 (계단, 좁은 통로) 을 자연스럽게 이동할 수 있는 형태적 이점을 활용합니다.

C. 이동 제어 학습 (Locomotion Policy Training)

• 프레임워크: Unitree RL Lab (Isaac Sim, MuJoCo 기반) 과 PPO (Proximal Policy Optimization) 알고리즘 사용.
• 학습 과정: 4,096 개의 병렬 환경에서 도메인 랜덤화 (마찰, 질량, 모터 강도 등) 를 적용하여 시뮬레이션에서 실세계 (Sim-to-Real) 로의 전이 성능을 극대화했습니다.
• 목표: 걷기, 달리기, 춤 동작 추적 등 다양한 보행 패턴을 학습하여 80,000 회 반복 학습 내 안정적인 수렴을 달성했습니다.

D. 주요 위험 감지 시나리오

1. 화재 및 연기 감지: YOLOv8-m 모델을 파인튜닝하여 화재/연기를 감지하고, 깊이 정보를 통해 3D 위치를 파악합니다. 심각도에 따라 경고, 전원 차단, 소화 활동 등 단계적 대응을 수행합니다.
2. 배관 열적 이상 감지: 저장된 기준 열화상과 비교하여 온도 편차 ($\Delta T$) 를 감지하고, 추세 분석을 통해 임계치 도달 시간을 예측합니다.
3. 침입자 감지: YOLOv8 로 사람 감지 후, OSNet 을 활용한 재식별 (Re-ID) 로 승인된 인력인지 확인하고, 허가되지 않은 인력이 감지되면 경고 및 보안팀 알림을 수행합니다.

3. 주요 기여 (Key Contributions)

1. 초기 프레임워크: 인간형 로봇을 다크 팩토리 안전 모니터링에 적용한 최초의 통합 프레임워크를 제시했습니다.
2. 통합 지각 시스템: 화재, 연기, 열적 이상, 보안 위협을 동시에 감지하며, 94.2% mAP 정확도와 127ms의 낮은 지연 시간을 달성했습니다.
3. ReAct 기반 에이전트 프레임워크: 실시간 로봇 대응을 위해 ToolOrchestra라는 23 가지 도구를 갖춘 ReAct 기반 의사결정 시스템을 구현했습니다.
4. 성능 검증: 시뮬레이션 및 실제 환경에서 자율 순찰, 인간 감지, 장애물 회피, 사회적 상호작용 (악수 등) 을 성공적으로 검증했습니다.

4. 실험 결과 (Results)

• 감지 성능:
  • 화재/연기: F1 점수 94.2%, 지연 시간 127ms.
  • 열적 이상: F1 점수 91.5%, 지연 시간 83ms.
  • 침입자: F1 점수 95.9%, 지연 시간 152ms.
• 반응 시간:
  • 평균 전체 응답 시간: 12.4 초 (탐지 0.13 초 + 추론 0.85 초 + 이동 8.5 초 등).
  • 기존 규칙 기반 시스템 (14.2 초, 성공률 76%) 대비 89% 의 성공률로 더 빠르고 정확한 대응을 보였습니다.
• 이동 제어:
  • PPO 학습을 통해 80,000 회 반복 내 수렴.
  • 속도 추적 오차 (RMSE) 0.08 m/s 달성.
  • 시뮬레이션에서 학습된 정책이 실제 Unitree G1 로봇에서 안정적으로 작동함을 입증 (Sim-to-Real 성공).
• 시나리오 성공률:
  • 화재/연기 대응: 92% 성공.
  • 열적 이상: 88% 성공.
  • 침입자 감지: 88% 성공.
  • 전체 평균 성공률: 89.3%.

5. 의의 및 결론 (Significance & Conclusion)

• 기술적 의의: 고정식 센서나 드론이 해결하지 못했던 '물리적 개입 능력'과 '복잡한 환경 이동성'을 인간형 로봇을 통해 통합하여 산업 안전의 패러다임을 변화시켰습니다.
• 실용성: 다크 팩토리 환경에서 인간형 로봇이 안전 감시자 (Guardian) 로서 자율적으로 작동할 수 있음을 입증했습니다. 특히, 기존 시설 구조 (계단, 좁은 통로) 를 변경하지 않고도 로봇을 도입할 수 있다는 점이 큰 장점입니다.
• 미래 전망: 다중 로봇 협동, 밸브 조작 등 물리적 개입 기능 강화, 가스 누출 및 구조적 손상 감지 등 더 다양한 위험 유형으로 확장할 수 있는 기반을 마련했습니다.

이 논문은 인간형 로봇이 단순한 이동 플랫폼을 넘어, 지능형 에이전트로서 산업 현장의 안전을 책임지는 핵심 기술로 자리 잡을 수 있음을 보여주는 중요한 연구입니다.