Salem Robotics는 산업 검사 및 물리적 상호작용이 필요한 위험 환경을 위한 로봇 소프트웨어를 개발합니다. 이들은 AI의 의미론적 이해와 고전 로봇 공학의 명시적인 제약 조건 기반 접근 방식을 결합하여, 단순한 동작 수행을 넘어 실제 검사 결과까지 보장하는 시스템을 구축하는 데 중점을 둡니다.
핵심 포인트
AI와 고전 로봇 공학의 조합으로 안전 필수 환경에 적합한 솔루션을 제공합니다.
관절 레벨 제어 및 제약 조건이 있는 조작 계획 생성이 핵심 기술입니다.
단순히 자세 도달 여부가 아닌, 검사 루프를 닫는 결과적 유효성을 보장하는 데 초점을 맞춥니다.
로봇 공학 스택 전체 학습보다는 명시적인 기하학, 계획, 최적화, 제어의 결합에 집중합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 HN AI Research의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
Launch HN: Salem Robotics (YC S26) – 산업 검사 로봇용 소프트웨어
안녕하세요, HN 커뮤니티 여러분. 저희는 Salem Robotics의 창립자들입니다 (https://salemroboticsinc.com). 저희는 기존 모바일 로봇에 특정 작업 지능을 부여하여 위험한 산업 시설에서 조사 및 물리적 상호작용 검사를 수행할 수 있도록 합니다. 실제 로봇 하드웨어에서 작동하는 영상과 저희의 몇 마디를 여기 공유합니다:
저희는 UT Austin에서의 로보틱스 연구와 원자력 분야에서 총 15년간 근무한 경험(약 10년은 Los Alamos National Laboratory에서 자율 로봇 개발 및 배치)을 통해 Salem에 오게 되었습니다. 지난 5년간 저희는 같은 격차를 계속 발견했습니다: 로봇 하드웨어는 매우 능력이 생겼지만, 로봇이 전체 산업 절차를 수행하도록 만드는 것은 여전히 놀라울 정도의 로보틱스 작업과 수동 개입을 필요로 했습니다.
저희에게 가장 흥미로웠던 부분은 조작(manipulation)이었습니다. 예를 들어, 원자력 오염 조사에는
저희는 그러한 상호작용을 위해 관절 레벨 제어(joint-level control)까지 깊이 파고듭니다. 저희가 많은 시간을 들인 문제 중 하나는 로봇이 실제로 관찰하는 기하학적 구조를 기반으로 하는, 제약 조건이 있는 조작 계획(constrained manipulation plans)을 충분히 빠르게 생성하는 것입니다. 이는 개별 표면, 밸브 또는 플랜지 각각에 대해 누군가 트래젝토리(trajectory)를 세심하게 작성할 필요성을 없애줍니다.
물리 세계는 이 점이 까다롭습니다. 복도를 이동할 때는 몇 센티미터의 오차가 크게 중요하지 않을 수 있지만, 센서가 곡면(curved surface)에 법선(normal)을 유지해야 하는 경우에는 중요합니다. 그리고 트래젝토리를 성공적으로 실행했다고 해서 검사가 제대로 되었다는 것을 의미하지는 않습니다. 탐지기가 잘못 정렬되었거나, 접촉이 틀렸거나, 기하학적 구조가 모델과 다를 수 있고, 측정 자체가 유효하지 않을 수도 있습니다. 저희가 신경 쓰는 것은 단순히 팔이 명령된 자세(commanded pose)에 도달했는지 여부가 아니라, 검사 결과 주위에 그 루프(loop)를 닫는 것입니다.
저희의 접근 방식은 AI와 고전 로봇 공학(classical robotics)의 조합입니다. 현재 많은 로봇 공학 연구와 산업의 관심이 점점 더 종단 간 학습 시스템(end-to-end learned systems), 특히 휴머노이드(humanoids) 주변으로 쏠리고 있습니다. 안전 필수 환경(safety-critical environments)에서 작업하면서, 명시적인 제약 조건(explicit constraints), 예측 가능한 동작(predictable behavior), 그리고 로봇이 무엇을 할 수 있고 할 수 없는지에 대한 이론적 보장(theoretical guarantees)을 원할 때 고전적인 접근 방식이 여전히 얼마나 관련성이 높은지 깨닫게 되었습니다.
저희는 의미론적 이해(semantic understanding)와 유연성(flexibility)이 유용한 곳, 예를 들어 덜 구조화된 정보(less structured information)를 해석하거나 생소한 장면에서 어떤 것이 절차에 관련 있는지 이해하는 경우에 AI를 사용합니다. 시스템이 수행해야 할 물리적 상호작용을 알게 되면, 가능하면 명시적인 기하학, 계획(planning), 최적화(optimization), 그리고 제어(control)를 선호합니다. 저희는 로봇 공학 스택의 모든 부분을 학습시키려고 하기보다는, 이 둘 사이의 결합에 관심이 있습니다.
Salem의 또 다른 아이디어는 모든 유용한 로봇 애플리케이션이 새로운 로봇을 구축해야 하는 것은 아니라는 것입니다. Boston Dynamics 같은 회사들은 점점 더 역량이 뛰어난 하드웨어 플랫폼을 만드는 데 매우 능숙해지고 있습니다. 저희는 그 하드웨어 위에 도메인 특화된 애플리케이션 계층(domain-specific application layer)이 존재할 여지가 있다고 생각합니다. 동일한 기본 로봇이 한 시설에서는 핵 방사선 측정을 수행하고 다른 시설에서는 LDAR 검사를 수행할 수 있지만, 절차, 센서, 조작 제약 조건, 성공 조건 및 출력물은 다릅니다.
이것이 저희가 하드웨어에 구애받지 않는(hardware agnostic) 이유이기도 합니다. 저희는 하나의 로봇이 영원히 최고의 플랫폼일 것이라고 기대하지 않으며, 시설들은 이미 다양한 하드웨어를 소유하고 있습니다. 저희는 검사를 무엇을 해야 하는지에 대한 용어로 설명한 다음, 그 내용을 작업을 위한 적절한 로봇의 역량에 매핑하는 것을 선호합니다.
시설들과 더 많은 시간을 보내면서 놀랐던 점 중 하나는 여전히 많은 검사 워크플로우가 수동적이라는 것입니다. 정교한 원자력 및 산업 현장에서는 사람들이 여전히 물리적으로 조사 경로를 걸어 다니고, 측정값을 한 번에 하나씩 취하며, 장비를 육안으로 검사하고, 결과를 수동으로 기록하며, 때로는 부품의 소리 같은 것에 기반하여 판단을 내립니다. 기본적인 워크플로우 중 일부는 오늘날 사용 가능한 센서, 컴퓨팅 및 로봇이 근본적으로 다르더라도, 수십 년 전에 그 일을 하던 사람에게도 인식될 만합니다.
저희는 가장 잘 아는 산업인 원자력 분야의 방사선 검사부터 시작하고 있으며, 석유, 가스 및 위험 화학 시설에서 조작(manipulation)-중심의 검사 문제에도 작업하고 있습니다. 기술자와 검사관들은 여전히 절차를 정의하고, 결과를 해석하며, 그에 따른 판단을 내립니다. 저희는 현재 누군가가 환경에 진입하거나 로봇을 수동으로 작동해야 하는 반복적인 물리적 실행 중 더 많은 부분을 자동화하려고 노력하고 있습니다.
저희는 산업 시설에 직접 판매하며, 보통 유료 기술 검증(technical validation)으로 시작하여 지속적인 배포로 이어집니다. 가격은 워크플로우에 따라 크게 달라지는데, 검증 비용은 수만 달러에서 10만 달러 이상까지 다양하며, 대규모 배포의 경우 로봇당 낮은 수십만 달러부터 약 50만 달러 범위에 걸쳐 있습니다.
저희는 특히 HN(How-To-Name)이 로보틱스에서 추상화 경계가 어디에 위치해야 하는지에 대한 생각을 듣고 싶습니다. 로봇 제조사로부터 무엇이 나와야 하고, 애플리케이션 계층(application layer)에 무엇이 속해야 하며, 시설별로 필연적으로 남아있을 것은 무엇일까요? 또한, 사람이 보기에는 사소해 보이지만 자동화하기는 놀라울 정도로 어려운 물리적 검사 작업을 다른 산업에서 어디서 보았는지도 듣고 싶습니다.