Physics-Coupled Task Allocation for Collaborative Robotic Welding of Dissimilar Steel Joints Using an α-Potential Game and a Physics-Informed Neural Network Surrogate

중공업의 세계에서 서로 다른 종류의 강철을 접합하는 것은 매우 섬세한 작업입니다. 엔지니어들이 강도가 높고 부식에 강한 스테인리스강을 일반 탄소강에 연결해야 할 때, 그들은 독특한 과제에 직면합니다. 이 재료들은 단순히 나란히 놓여 있는 것이 아니라, 열에 대해 서로 다르게 반응합니다. 용접 토치가 접합부를 따라 이동할 때, 강렬한 열은 금속이 서로 다른 속도로 팽창하고 수축하게 만듭니다. 이러한 불일치는 잔류 응력이라고 알려진 보이지 않는 내부 힘을 만들어내며, 이는 최종 제품을 약화시키거나 변형을 일으킬 수 있습니다. 더욱이, 열로 인해 탄소 원자가 한 금속에서 다른 금로 이동하여 이음새 근처에 취약한 지점을 만들 수도 있습니다. 이러한 위험을 관리하기 위해 공장에서는 종종 협력하는 로봇 팔 팀을 사용합니다. 하지만 단순히 로봇들에게 최대한 빨리 일하라고 지시하거나 서로 멀리 떨어져 있으라고 말하는 것만으로는 충분하지 않습니다. 만약 한 로봇이 특정 구간을 너무 빠르게 용접한다면, 그 로봇이 남긴 열이 인근에서 다음 로봇이 시도하려는 용접의 품질을 망칠 수 있기 때문입니다. 어떤 로봇이 무엇을, 어떤 순서로 할지에 대한 결정은 이러한 숨겨진 물리적 상호작용을 고려해야 합니다.

보납 대학교(University of Bonab)의 한 연구자는 이 퍼즐을 풀기 위한 새로운 방법을 개발했는데, 이는 로봇 그룹을 단순한 기계가 아니라 서로에게 영향을 미치는 결정을 내리는 플레이어들의 팀으로 취급하는 것입니다. "로봇들을 멀리 떨어뜨려 놓으라"는 식의 단순한 규칙에 의존하는 대신, 이 새로운 시스템은 '포텐셜 게임(potential game)'이라 불리는 수학적 접근 방식을 사용합니다. 이 프레임워크 내에서 모든 로봇은 자신에게 할당된 작업을 빠르게 완료하는 것과 같은 각자의 목표를 갖지만, 동시에 가장 강력하고 효율적인 용접을 만든다는 공동의 목표에도 기여합니다. 이 시스템은 로봇이 움직이거나 용접하기로 한 결정이 환경을 변화시켜 열과 응력의 연쇄 반응을 일으킨다는 점을 인정합니다. 이러한 복잡성을 처리하면서도 느린 컴퓨터 계산에 발이 묶이지 않기 위해, 연구자는 특수한 형태의 인공지능을 훈련시켰습니다. 이 AI는 물리적 세계의 빠른 단순화 모델로서, 열과 응력에 대해 강철이 어떻게 반응할지를 실시간으로 예측합니다. 이 스마트한 예측 도구를 게임 이론 접근 방식과 결합함으로써, 시스템은 에너지 사용을 최소 최소화하고, 작업을 더 빨리 끝내며, 금속의 내부 응력을 최대한 낮게 유지하면서 로봇들이 협력할 수 있는 스케줄을 찾아낼 수 있습니다.

이 연구는 여러 대의 로봇이 서로 다른 강철 사이의 접합부를 용접하는 과제를 맡은 시나리오에 집중했습니다. 연구진은 로봇의 이동 거리를 단순히 최소화하거나 표준 최적화 기법을 사용하는 기존 전략들과 이 새로운 방법을 비교했습니다. 50개에서 200개의 용접 작업이 포함된 컴퓨터 시뮬레이션에서, 이 새로운 시스템은 전통적인 방식들을 지속적으로 능가했습니다. 이 시스템은 로봇이 작업하는 데 걸리는 총 시간을 줄였고 소비되는 에너지를 낮추었습니다. 더 중요한 것은, 훨씬 더 낮은 예측 내부 응력과 서로 다른 접합부를 약화시키는 위험한 탄소 이동 현상을 생성했다는 점입니다. 시스템은 로봇들이 과업을 "협상"할 수 있게 함으로써 이를 달ável했습니다. 한 로봇이 새로운 작업을 맡는 것을 고려할 때, 시스템은 단순히 그 작업에 시간이 얼마나 걸릴지만 확인하는 것이 아니라, 그 작업에서 발생하는 열이 다른 로봇들이 용접하려는 금속에 어떤 영향을 미칠지를 확인했습니다. 만약 어떤 작업이 이웃한 곳에 너무 많은 열을 발생시킨다면, 시스템은 부하를 조절하기 위해 해당 작업을 재배정했습니다.

결과가 단순히 운 좋은 추측이 아님을 확인하기 위해, 연구자는 시스템을 분해하여 어떤 부분이 핵심적인 역할을 하는지 테스트했습니다. 연구진은 인공지능 모델이 있는 경우와 없는 경우, 그리고 게임 이론 접근 방식이 있는 경우와 없는 경우를 나누어 테스트했습니다. 결과는 두 구성 요소 모두 필수적이라는 것을 보여주었습니다. 인공지능은 수천 번의 시뮬레이션을 빠르게 실행할 수 있는 속도를 제공했고, 게임 이론 프레임워크는 로봇들이 자신들만을 위한 것이 아닌 전체를 위한 결정을 내리도록 보장했습니다. 또한 연구는 속도, 에너지, 혹은 응력 중 무엇을 우선시할 것인지와 같이 중요도의 가중치가 달라지는 상황에서도 시스템을 테스트했습니다. 시스템은 이러한 변화 속에서도 견고함을 유지하며 일관되게 균형 잡힌 솔루션을 찾아냈습니다. 그러나 연구자는 현재 이 결과가 컴퓨터 시뮬레이션에 국한되어 있다는 점을 주의 깊게 언급합니다. 응력 수준과 탄소 이동에 관한 수치들은 모델에 의해 생성된 예측값이며, 실제 강철 빔에서 측정된 값이 아닙니다. 이 방법이 실제 공장에서 사용되기 전에는, 실제 접합부를 용접하고 물리적 장비로 결과를 측정하여 예측을 검증해야 합니다.

이 연구의 의의는 로봇 용접을 순수하게 기하학적인 문제로 보는 것에서 물리적인 문제로 바라보는 관점의 전환에 있습니다. 전통적인 방식은 열이 전달되고 응력이 쌓인다는 사실을 무시한 채, 로봇들이 서로의 경로를 방해하지 않으면 모든 것이 괜찮을 것이라고 가정하곤 합니다. 이 새로운 접근 방식은 서로 다른 금속의 세계에서는 용접의 이력이 중요하다는 점을 인식합니다. 몇 분 전에 수행된 용접의 열은 다음에 수행될 용접을 위한 재료의 상태를 변화시킵니다. 이러한 물리적 연결을 이해하는 시스템을 사용함으로써, 연구자는 여러 대의 로봇을 조정하여 더 높은 품질의 결과를 만들어내는 것이 가능하다는 것을 보여주었습니다. 이 방법은 로봇이 더 똑똑해지거나 빨라질 것을 요구하는 것이 아니라, 단지 그들이 만들어내는 보이지 않는 힘을 인지하기를 요구할 뿐입니다. 비록 이 연구가 디지털 환경에서 작동함을 확인했지만, 공장 바닥으로 가는 길은 여전히 열려 있습니다. 다음 단계는 이러한 계산적 예측을 실제 강철과 불이 존재하는 무질서하고 예측 불가능한 현실에 대조하여, 더 강하고 빠른 용접을 만들겠다는 디지털의 약속이 물리적 세계에서도 실현 가능한지 확인하는 것입니다.