사이의 동맹 유니버설 로봇과 스케일 AI 로봇공학과 첨단 인공지능 모델의 융합에 있어 중요한 진전을 이룬 것은 바로 이번 출시를 통해서입니다. UR AI 트레이너이 시스템은 모방 학습을 사용하여 실제 공장 환경에서 AI를 훈련시키도록 특별히 설계되었습니다. 본 제안은 AI 연구 결과를 연구실에서 생산 라인으로 이전하는 과정을 더욱 쉽고 빠르게 만드는 것을 목표로 합니다. 지금까지 이러한 이전은 원하는 속도보다 훨씬 느리게 진행되어 왔습니다.
새로운 플랫폼은 다음과 같은 기능을 결합합니다. 산업용 하드웨어가 이미 배치되었습니다. 첨단 데이터 관리 도구를 갖춘 수천 건의 설치 사례에서, 기업들은 복잡한 프로그래밍 없이 로봇을 수동으로 조종하여 작업을 학습시킬 수 있습니다. 스페인을 비롯한 유럽 시장에서 산업 현대화와 유연한 자동화는 분명한 우선순위이며, 이러한 솔루션은 향후 몇 년 동안 생산 효율화의 핵심 요소가 될 수 있습니다.
UR AI 트레이너: 공장을 위한 모방 학습 시스템
El UR AI 트레이너 이는 다음과 같은 플랫폼으로 제시되었습니다. 모방 학습 산업 환경에 맞춰 설계된 이 방법은 작업자가 직접적인 동작 시연을 통해 로봇에게 작업을 시연하는 방식입니다. 작업자는 단계별 궤적을 프로그래밍하는 대신 로봇 팔을 직접 조종하고, 시스템은 모든 관련 매개변수를 기록하여 인공지능이 원하는 동작을 학습할 수 있도록 합니다.
이 접근 방식은 계획에 기반합니다. 리더-팔로워UR 로봇은 "리더" 역할을 하며 작업자가 조종하고, 다른 "팔로워" 로봇은 리드 로봇의 움직임과 가해지는 힘을 동기적으로 복제합니다. 이러한 접근 방식을 통해 실제 작업과 매우 유사한 조건에서 고품질 데이터를 수집할 수 있으며, 이는 특히 가변성과 정밀한 물리적 접촉이 중요한 작업을 자동화하는 데 유용합니다.
유니버설 로봇과 스케일 AI는 이 시스템을 통해 매우 특정한 격차, 즉 획득의 어려움을 해소하고자 합니다. 풍부하고 신뢰할 수 있는 데이터 세트 산업용 로봇은 일상적인 생산의 복잡성을 반영하는데, 이는 종종 공장에서 고급 AI 모델을 도입하는 데 걸림돌이 됩니다.
다중 모드 데이터 캡처: 동작, 힘, 토크 및 시각 정보
UR AI 트레이너의 핵심 기술적 특징 중 하나는 통합적인 방식으로 녹화할 수 있다는 점입니다. 다중 모달 데이터 유니버설 로봇의 협업 로봇 하드웨어에서 직접 정보를 수집합니다. 시연 과정에서 시스템은 다음과 같은 상세 정보를 수집합니다. 궤적, 접촉력, 관절 토크 및 시각 신호 카메라 또는 기타 센서에서 발생하는 것을 포함하여 센서 융합이 모든 것이 시간적으로 동기화되었습니다.
이러한 다양한 정보 소스를 결합하면 로봇의 위치뿐만 아니라 부품, 도구, 변화하는 환경과의 물리적 상호 작용 방식까지 설명하는 데이터 세트를 구축할 수 있습니다. 조립 셀이나 정밀 부품을 다룰 때, 단순한 위치 기록과 힘 및 토크 정보를 포함하는 데이터 세트의 차이는 상당합니다. 인공지능은 삽입 작업이 정확하게 수행되었는지, 또는 부품 손상 위험이 있는지를 "감지"하는 방법을 학습할 수 있기 때문입니다.
Scale AI는 자체 플랫폼을 제공합니다. 물리적 AI 데이터 엔진모든 정보를 정리하고, 분류하고, 구조화하여 훈련 모델에서 직접 사용할 수 있도록 하는 역할을 담당합니다. 시각-언어-행동(VLA)이러한 모델들은 로봇이 보는 것, 지시를 통해 요청받는 작업, 그리고 로봇이 환경에 대해 수행하는 행동을 통합하는 것을 목표로 하며, 이는 로봇 공학에 적용되는 차세대 인공지능에서 점점 더 주목받고 있는 접근 방식입니다.
유럽 공장들의 관점에서 보면, 실제 생산 환경에서 생성된 데이터 실험실이나 시뮬레이터에서만이 아니라, 특히 자동차, 전자, 물류 또는 식품과 같이 생산 라인이 더 자주 변하는 분야에서 첨단 자동화 프로젝트를 탐구할 분명한 동기가 부여됩니다.
연구부터 생산까지: 연구실과 공장 사이의 간극
최근 몇 년 동안 기초 모델 및 알고리즘 분야에서 상당한 진전이 이루어졌습니다. 로봇공학에 적용된 범용 인공지능 en 연구센터 및 연구소하지만 이러한 기능을 공장 현장에 적용하는 것은 예상보다 복잡한 것으로 드러났습니다. 주요 문제점 중 하나는 모델이 일반적으로 실제 환경의 변동성(부품 공차, 조명 변화, 미세한 재료 변형, 위치 오차 등)을 정확하게 반영하지 못하는 고도로 통제된 데이터로 학습된다는 점입니다.
UR AI 트레이너는 바로 이러한 약점을 해결하기 위해 데이터 수집을 우선시합니다. 실제 생산 라인실제 운영에 사용될 동일한 하드웨어를 사용하여 모델을 학습시킵니다. 이를 통해 공장 현장에서 매일 발생하는 사소한 결함과 예상치 못한 상황을 포함하는 예제를 활용하여 모델을 학습하고 개선할 수 있습니다. 결과적으로 테스트 환경에서 운영 환경으로 전환할 때 발생할 수 있는 예상치 못한 오류를 줄일 수 있습니다.
유니버설 로봇은 물리적 시연을 통해 다음과 같은 결과를 도출할 수 있다고 지적합니다. 유효한 데이터를 최대 10배 더 빠르게 처리합니다. 기존 프로그래밍 및 데이터 수집 방식보다 효율적입니다. 자원이 제한적인 유럽 기업의 경우, 대규모 엔지니어링 팀 없이 기존 인력으로 더 짧은 시간에 유용한 데이터를 수집할 수 있다는 점은 물리적 AI 프로젝트를 시작할 때 결정적인 요소가 될 수 있습니다.
이러한 접근 방식과 관련하여 중요한 또 다른 요소는 유니버설 로봇의 기존 사업 영역입니다. 유니버설 로봇의 협동 로봇은 다음과 같은 곳에 설치되어 있습니다. 전 세계적으로 수만 개의 공장스페인, 독일, 이탈리아, 프랑스 등 여러 국가에서 상당한 입지를 확보하고 있습니다. 이러한 설치 기반은 AI 트레이너를 배포하고 처음부터 시작할 필요 없이 대규모 데이터를 생성하기에 유리한 토대를 제공합니다.
기술 아키텍처: AI 가속기, 토크 제어 및 NVIDIA 에코시스템
새 시스템은 플랫폼을 기반으로 합니다. 유니버설 로봇 AI 액셀러레이터이를 통해 고급 직접 토크 제어 및 힘 피드백 기능을 구현할 수 있습니다. 결과적으로 로봇과 주변 환경 간의 상호 작용이 더욱 부드럽고 정밀해지며, 이는 작업자가 시연 중에 로봇 팔을 조종하거나 로봇이 부품 및 도구와 밀접하게 접촉하는 작업을 수행할 때 매우 중요합니다.
소프트웨어 계층은 이러한 하드웨어 기반 위에 구축됩니다. AI 규모이는 물리적 데이터 엔진 역할을 합니다. 이 플랫폼은 원시 신호를 잘 구조화된 데이터 세트로 변환하여 자체 개발 모델과 타사에서 개발한 모델을 포함한 AI 모델을 학습하도록 설계되었습니다. 바로 이 부분에서 통합이 이루어집니다. NVIDIA 생태계특히, Omniverse 및 Isaac Sim과 같은 도구를 사용하면 식물 데이터를 합성 데이터로 보완할 수 있습니다.
실제 데이터와 합성 데이터의 결합은 많은 기업들이 '데이터 관리 시스템'이라고 부르기 시작한 것에 필요한 정보를 제공하는 것을 목표로 합니다. 물리적 AI를 위한 데이터 선순환각 배포마다 새로운 데이터가 생성되고, 이 데이터를 사용하여 모델이 업데이트되는 지속적인 개선 주기이며, 이는 다음과 같은 지원을 받습니다. 인메모리 컴퓨팅개선된 버전에서는 더욱 복잡한 작업을 처리하고 더욱 관련성 높은 정보를 수집할 수 있습니다.
산업 시뮬레이션 기술과 디지털 트윈의 도입이 빠르게 진행되고 있는 유럽에서는 이러한 기술들을 연계할 가능성이 있습니다. 시뮬레이션 및 실제 데이터 동일한 워크플로 내에서, 이는 공공 및 민간 프로그램에서 추진하는 공장 디지털화 계획과 잘 부합합니다.
유럽 산업 환경에서의 활용 사례
UR AI 트레이너는 변동성이 크고 복잡한 물리적 접촉이 잦아 기존 자동화 방식이 어려웠던 작업 환경을 위해 특별히 설계되었습니다. 스페인 및 유럽 공장에서 이러한 환경은 다음과 같은 모든 것을 포함합니다. 섬세한 부품들의 조립 물류나 검사 과정처럼 인간의 감독이 여전히 중요한 경우에도 마찬가지입니다.
이 해결책을 지지하는 사람들이 가장 흔히 언급하는 예로는 엄격한 정밀도가 요구되는 전자 부품 조립, 부품이 항상 같은 위치에 도착하지 않는 가공 센터의 로딩 및 언로딩 등이 있습니다. 픽 앤 플레이스 상자와 용기에 흩어져 있는 물건들에 대해서도 언급하고 있습니다. 또한 다음 내용도 언급합니다. 적응형 시각 검사인공지능은 품질 관리 담당자가 제공하는 예시를 통해 결함이나 이상 징후를 식별하는 방법을 학습할 수 있습니다.
스페인에서 자동차 부품, 소비재, 가공식품, 유통 물류 등 주요 제조 분야의 경우, 시연을 통해 협동 로봇에 직접 작업을 학습시킬 수 있는 기능은 기존 방식으로는 비용 효율적이지 않아 프로그래밍할 수 없었던 프로세스를 자동화할 수 있는 길을 열어줍니다. 이는 특히 대규모 소프트웨어 엔지니어링 팀이 부족한 중소기업에 매우 유용합니다.
단순한 작업 실행을 넘어, 비전-언어-행동(VLA) 모델을 활용하면 공장 직원들이 서로 협력하여 작업할 수 있는 인터페이스를 구상할 수 있습니다. 간단한 언어적 신호, 신체적 시연 및 시각적 조정 외부 컨설팅이나 장기간의 개발 프로젝트에 의존하지 않고도 로봇의 동작을 신제품이나 생산 라인의 변화에 맞게 조정할 수 있습니다.
산업 분야 벤치마크 데이터 세트와 생태계에 미치는 영향
유니버설 로봇과 스케일 AI의 공동 전략에는 다음과 같은 내용이 포함됩니다. 대규모 산업 참조 데이터 세트 다양한 생산 환경에서 UR 협동 로봇으로 수집한 데이터를 기반으로, 실제 작업에 대한 대표적인 데이터 세트를 커뮤니티에 제공하여 로봇 AI 모델 연구 및 훈련의 기초 자료로 활용할 수 있도록 하는 것이 목표입니다.
이러한 유형의 데이터 세트를 확보할 수 있다는 가능성은 유럽의 연구팀과 스타트업들에게 특히 큰 관심사입니다. 첨단 로봇공학, 지능형 제어 및 AI 기반 자동화지금까지 많은 프로젝트는 매우 학술적이거나 시뮬레이션된 사용 사례를 제외하고는 공장의 복잡성을 반영하는 충분히 풍부한 공공 데이터의 부족으로 인해 제약을 받아왔습니다.
이러한 공유 자원은 컴퓨터 비전 분야의 ImageNet과 같은 데이터셋과 유사한 역할을 하여 경진대회, 교차 검증, 그리고 스페인, 독일, 북유럽 국가와 같은 특정 산업 환경에서 테스트 및 적용될 수 있는 새로운 모델 개발을 촉진할 수 있습니다.
더욱이, 데이터셋이 다음을 기반으로 한다는 사실 널리 보급된 상용 하드웨어 이를 통해 대학과 기술 센터에서 수행된 연구 및 테스트 결과를 산업 파트너의 실제 생산 공장으로 더 빠르게 이전할 수 있습니다.
스페인 및 유럽의 스타트업과 제조업체에 미치는 영향
솔루션 개발을 위한 유럽 스타트업 자동화, 응용 로봇 공학 또는 산업용 소프트웨어UR AI 트레이너는 이를 활용할 수 있는 여러 가지 방법을 제공합니다. 첫째, 물리적 AI 실험에 대한 진입 장벽을 낮춥니다. 이미 해당 프로세스를 알고 있는 운영자를 활용하고 복잡한 데이터 수집 인프라를 처음부터 설계할 필요 없이 비교적 직접적으로 훈련 데이터를 생성할 수 있기 때문입니다.
둘째로, 이는 기업들이 성장할 여지를 제공합니다. 모델이 자체 프로세스에 맞게 조정됨이는 하드웨어뿐만 아니라 내부 데이터의 품질과 특수성에도 기반한 경쟁 우위를 제공합니다. 특히 여러 산업 고객을 대상으로 하는 시스템 통합업체, 엔지니어링 회사 및 턴키 솔루션 제공업체에게 매우 매력적입니다.
스페인 및 기타 EU 국가에 기반을 둔 제조업체의 경우, 이미 배치된 협동 로봇에 차세대 AI 기능을 결합하는 것이 전략에 부합합니다. 식물의 점진적 현대화목표는 기존 회선을 완전히 교체하는 것이 아니라, 새로운 지능 계층을 추가하여 기존 투자를 활용하는 것입니다.
마지막으로, 유니버설 로봇과 스케일 AI가 NVIDIA 생태계 및 기타 기술 파트너와 협력함으로써 유럽 기업들이 산업용 AI 프로젝트를 고수준 컴퓨팅, 시뮬레이션 및 합성 데이터 생성 인프라와 연결할 수 있는 프레임워크가 구축되었으며, 이를 통해 전체 스택을 자체적으로 개발할 필요가 없어졌습니다.
시스템 출시 UR AI 트레이너는 모방을 통해 학습합니다. 이로써 유니버설 로봇과 스케일 AI는 물리적 AI를 산업 현장의 핵심으로 가져오는 경쟁에서 선두 자리를 차지하게 되었습니다. 인간 시연, 다중 모드 데이터 수집, 데이터 관리 도구, 그리고 기존 생태계와의 강력한 통합을 결합한 이 제안은 스페인을 비롯한 유럽 전역의 공장들이 더욱 유연하고 적응력 있는 자동화를 도입할 수 있도록 현실적인 길을 열어주며, 연구실에서 연구된 내용과 실제 생산 현장에서의 구현 사이의 격차를 줄여줍니다.
