비전 기반 동작 데이터를 활용한 협동 로봇 건전성 평가 기법 = Health Evaluation for Collaborative Robot Using Vision-Based Motion Data

국문 초록 (Abstract)

협동 로봇은 작업자와의 협업 특성으로 인해 인명 사고 방지를 위한 건전성 평가가 요구된다. 그러나 프로그래머블한 특성에 따른 작업 다양성으로인해 수집되는 데이터 패턴의 복잡도가 높으며, 기존의 건전성 평가 기법들은 주로 내부 센서데이터에 의존하여 기기별 센서데이터 특성 차이(타입,단위 등)에 의해 적용에 제약이 있다. 이에 본 논문은 협동 로봇의 작업 다양성을 극복하고 내부 센서데이터에 비종속적인 건전성 평가를 위해비전 기반 동작 데이터를 활용한 건전성 평가 기법을 제안한다. 제안 기법은 협동 로봇 설치 환경을 기준으로 최대 가동 범위를 고려한 테스트프로그램을 설계하여 정상 상태의 동작 데이터를 수집하고, 이를 이용해 LSTM 기반 예측 모델을 학습한 뒤 실제 데이터와 예측 데이터 간의 유사도를산출하여 건전성을 평가한다. 제안 기법의 효용성 검증을 위해 Neuromeka사의 Indy7 협동 로봇에 적용한 결과, 정상 및 건전성 저하 상태 판별에서평균 92%의 정확도를 달성하여 건전성 저하에 대한 정량적 평가가 가능함을 확인하였다. 또한 정상 기준 설정 파라미터 조정에 따라 진양성 검출률은최대 100%, 진음성 검출률은 최대 99.5%를 달성함으로써 사용자 관점의 진양성 및 진음성 중요도를 반영한 건전성 평가가 가능함을 검증하였다.

다국어 초록 (Multilingual Abstract)

Collaborative robots require health evaluation to prevent human injury during human–robot collaboration. However, their programmablecharacteristics result in diverse tasks and complex data patterns, while existing methods relying on internal sensor data face limitationsdue to differences in sensor types and units across devices. This study proposes a vision-based health evaluation method that overcomestask diversity and is independent of internal sensor data. The proposed method collects normal-state motion data by designing aworkspace-based test program for the target collaborative robot, trains an LSTM-based prediction model using the data, and assessesrobot health by measuring the similarity between actual and predicted motion signals. Applied to the Indy7 collaborative robot byNeuromeka, the proposed method achieved 87.79% accuracy in distinguishing normal and degraded states. Parameter tuning for normalrange boundaries yielded up to 100% true positive and 99.5% true negative rates, confirming its capability for quantitative and user-orientedhealth evaluation.