아이벡스, 오픈소스 로봇·비전 플랫폼으로 볼트 검사라인 자동화 실증

• 아이벡스가 NIPA의 2026년 신산업 분야 오픈소스 사업화 지원사업 신규 과제에 선정됨

  • 과제명은 오픈소스 기반 로봇·비전 플랫폼 AIVot을 활용한 KPF 자분탐상 공정 제품투입 자동화 사업화임
  • 기간은 2026년 5월부터 12월까지 8개월이고, 아이벡스가 주관기관, 케이피에프가 수요기업으로 참여함

• 자동화 대상은 제조 현장에서 꽤 골치 아픈 난적재 볼트 투입 작업임

  • 케이피에프 검사라인에서는 다양한 볼트가 벌크 상태로 뒤섞여 들어오고, 작업자가 하나씩 보고 집어서 자분탐상 검사장비에 넣고 있음
  • 형상과 크기가 다르고, 위치와 방향도 매번 랜덤이라 기존 고정형 자동화로는 대응하기 빡센 비정형 공정임
  • 이런 류의 작업은 뿌리산업 전반에 넓게 깔려 있지만, 자동화 수요에 비해 실제 적용 난도가 높은 편임

• 아이벡스는 AIVot으로 인식부터 투입까지 전체 흐름을 묶겠다는 계획임

  • AI 비전 알고리즘이 제품 종류를 인식하고, 6D Pose Estimation으로 각 부품의 3차원 위치와 자세를 추정함
  • 이후 충돌 가능성과 그리퍼 접근 방향을 계산해서 최적의 파지 지점을 고름
  • 로봇은 부품을 집어 검사 지그의 정위치에 넣는 방식으로 공정을 자동화함

• 오픈소스 기반도 꽤 선명함

  • 로봇 소프트웨어 프레임워크로 ROS2를 쓰고, 컴퓨터 비전 쪽에는 OpenCV를 활용함
  • 여기에 6D Pose Estimation, Point Cloud 정제, AI 비전 기반 제품 인식 기술을 얹어 고도화함
  • 이기종 로봇과 카메라를 유연하게 연동하는 구조를 만들겠다는 방향이라, 특정 장비에만 묶이는 자동화보다 확장성이 큼

• 현장 작업자용 UI도 중요한 축임

  • AIVot에는 웹 기반 UI/UX와 드래그 앤 드롭 방식의 노코드 공정 설계 기능이 강화될 예정임
  • 로봇 제조사별 티칭 펜던트나 복잡한 코딩 없이, 작업자가 화면에서 공정 순서와 로봇 동작을 설계·운영하게 만드는 게 목표임
  • 이게 잘 되면 자동화 엔지니어가 상주하지 않는 현장에서도 적용 장벽이 꽤 낮아질 수 있음

• MLOps까지 붙여서 품목 변화에 대응하려는 점도 눈에 띔

  • 아이벡스의 Industrial MLOps 플랫폼 AIVOps를 연계해 데이터 수집, 모델 학습, 검증, 배포, 재학습 흐름을 구축함
  • 신규 품목이 추가되거나 제품 규격, 적재 상태가 바뀌어도 현장 데이터를 기반으로 모델을 계속 개선하는 구조임
  • 제조 자동화에서 자주 터지는 문제가 현장 조건 변화인데, 이걸 운영 체계로 다루겠다는 얘기임

• 아이벡스는 이번 실증을 단발성 SI가 아니라 상품화의 발판으로 보고 있음

  • 케이피에프 현장 실증을 기반으로 난적재 부품용 Bin Picking Solution을 표준화·상품화할 계획임
  • 적용 범위는 볼트·너트 제조, 주조·단조 중간재 취급 같은 유사 제조공정까지 넓히려 함
  • AIVot에 난적재 Pick & Place 모듈을 탑재해 여러 제조현장에 반복 적용 가능한 플랫폼형 사업모델로 확장하는 전략임

---

기술 맥락

• 여기서 핵심 선택은 고정형 자동화가 아니라 AI 비전 기반 로봇 플랫폼을 쓰는 거예요. 볼트가 항상 같은 위치와 방향으로 오면 전용 지그와 규칙 기반 제어로도 되지만, 기사 속 공정은 다품종 부품이 벌크로 뒤섞여 들어오기 때문에 로봇이 매번 보고 판단해야 하거든요.

• ROS2와 OpenCV를 쓰는 이유도 확장성 쪽에 가까워요. 제조 현장마다 로봇 제조사, 카메라, 그리퍼 구성이 달라질 수 있는데, 이걸 매번 새로 짜면 사업화가 어려워요. 오픈소스 프레임워크 위에 공통 구조를 만들면 장비 조합이 바뀌어도 재사용할 여지가 커져요.

• 6D Pose Estimation이 중요한 건 로봇에게 필요한 정보가 단순한 물체 위치가 아니기 때문이에요. 로봇은 어디를 집을지, 어떤 방향으로 접근할지, 집은 뒤 검사 지그에 어떻게 넣을지까지 알아야 해요. 그래서 3차원 위치와 자세 추정이 파지 계획의 출발점이 돼요.

• AIVOps를 붙이는 건 운영 단계의 문제를 겨냥한 선택이에요. 제조 라인은 품목, 표면 상태, 적재 방식이 계속 바뀔 수 있어서 처음 학습한 모델만 믿고 가기 어렵거든요. 현장 데이터를 다시 모으고 재학습하는 루프가 있어야 자동화 품질을 계속 유지할 수 있어요.