굴착기와 이동식 크레인이 작업하는 공사 현장 개념 일러스트(생성 이미지)
한국건설기술연구원 지반연구본부 세미나
2026. 11.
KICT Seminar

필드로봇에서의
AI활용

이한민 산업기계DX연구실장
한국기계연구원

AI, 로봇, 그리고 산업기계

산업마다 무인화와 자율화 요구가 먼저 있었고, ChatGPT 모멘트가 그것을 가속
전망AI젠슨 황의 4단계로봇모델 → 학습→ 파운데이션산업기계자동화 → 자율화→ 피지컬 AI2010201220142016201820202022202420262028ChatGPT 모멘트 → 가속Perception AI보고 듣고 인식Generative글, 그림코드 생성Agentic스스로 계획도구 실행Physical AI현실에서 보고몸으로 행동AlexNetAlphaGoChatGPTCES 피지컬 AI모델 기반 제어고전 비전과 제어정해진 동작의 정확한 반복학습 기반 제어시뮬레이션 강화학습과 모방학습보행부터파운데이션 모델VLA, RFM에 월드 액션 모델 추가언어로 이해하고, 예측하며 행동+ 월드 액션 모델패턴 자동화정형 반복 작업머신 컨트롤과 가이던스스마트건설기계, 스마트농기계자율화센서 융합, 경로 계획원격과 반자율필드로봇 피지컬 AI학습 기반 자율작업굴착기와 농기계

프로그래밍에서 학습으로의 전환

데이터와 경험으로 학습해, 더 다양한 작업과 환경에 대응
프로그래밍 중심
사람이 동작 설계→실행
FANUC 태블릿 티치 펜던트
→
학습 중심
시연·경험→학습→실행
Figure Helix 2.5 (2026.09)

행동 생성의 두 접근: VLA와 WAM

이해를 행동으로 연결하는 VLA · 미래를 예측해 행동하는 WAM

VLAVision-Language-Action

Chef Robotics · Physical Intelligence Pi API
햄버거 조립

WAMWorld Action Model

1X World Model · NEO
티슈 뽑기

로봇 두뇌의 구성 방식

하나의 모델이 행동을 직접 출력하거나, 이해와 제어를 나누어 처리
행동 직접 출력Google DeepMind RT-2 (2023)
RT-2 Vision-Language-Action 모델 구성도
↑지시와 영상 입력
↑행동 토큰을 로봇 동작으로
영상과 지시를 받아 하나의 VLA 모델이 행동 토큰을 직접 출력
이해와 제어 역할 분담Figure Helix (2025.02)
Figure Helix System 2, System 1 구성도
이해·계획→
연속 제어→
System 2가 장면과 지시를 이해, System 1이 연속 동작으로 변환

로봇 학습의 데이터 격차

인터넷에 축적된 지식에 비해, 로봇의 행동 경험은 부족
인터넷의 글과 그림
웹 문서, 코드, 이미지 예시웹 데이터 예시
vs
로봇의 원격조작 경험
DROID로봇 시연 데이터 예시
Goldberg (2025)의 당시 비교
약 10만 년
학습용 글과 그림을 사람이 읽고 보는 시간
약 1년
당시 최대 원격조작 데이터셋의 누적 기록 시간
로봇에는 관찰, 행동, 결과가 연결된 경험이 필요

학습 데이터의 확보와 확장

로봇으로 수집하고, 사람에게서 배우고, 합성 데이터로 확장
1텔레오퍼레이션
Stanford, Mobile ALOHA (2024)
사람 조작으로 관찰과 행동 기록
+
2사람 영상 기반 학습
사람 1인칭 영상
▼ 학습에 활용
로봇 이동
Figure, Project Go-Big (2025.09)
1인칭 영상으로 로봇 이동 학습
+
3합성 데이터 생성
소수 시연
▼ 배치를 바꿔 증강
다수 변형 궤적
NVIDIA, DexMimicGen (2024)
소수 시연을 시뮬레이션에서 증강
시뮬레이션 증강월드 모델 생성
다양한 경험으로 확장하고, 실제 작업으로 보정하고 검증

현장 적용의 조건

현장의 기준은 안정적인 작업 완수, 지속적인 가동, 비용 대비 생산성
1작업 신뢰도
Telexistence TX SCARA
Telexistence, 일본 편의점 음료 진열
운영자 1명이 약 50대 감시
물건을 떨어뜨리는 등 예외 상황은
원격 운영자가 복구
→
2운영 지속성
Figure 02, BMW 스파턴버그 공장
누적 1,250시간+, 부품 9만 개+
가동률이 아닌 11개월 누적 실적
주요 고장 지점인 전완부 재설계
→
3경제성
Rosendin 태양광 설치 로봇
Rosendin, 미국 태양광 현장시험
2인 작업조, 8시간 350–400장
3–4인 수작업조 대비 3배 속도
생산성 개선 사례, 투자회수는 별도
작업 성공뿐 아니라, 실패해도 복구하고 계속 운영할 수 있어야 현장 적용

기계연 로봇 연구의 발전

휴머노이드, 필드로봇, 의료로봇으로 확장되는 기계 지능
휴머노이드
휴머노이드 카이로스
사람의 환경에서 작업
필드로봇
KIMM 자율작업 굴착기
산업·재난 현장의 작업
의료로봇
수술실의 KIMM 의료로봇
정밀한 의료 작업
6축 산업로봇
1986 국내 최초 6축 산업로봇
▶
양팔로봇 아미로
2010 양팔로봇 아미로
▶
현재 휴머노이드 카이로스 V0.7

휴머노이드 카이로스

이동과 조작을 위한 로봇 플랫폼과 핵심부품 개발
2026 글로벌 기계기술 포럼 2026. 9. 7.
카이로스 V0.7 탈춤 시연
로드맵2027.4V1▶2030.4V2 초감각, 전신감각▶2035실용화
구동기
2.1kg으로
최대 192 N·m
전용 구동기 5종 자체 설계, 성능 20% 향상
로봇 핸드
핀셋을 쥐고
작은 부품까지
오랜 핸드 연구의 축적
대면적 몸통 촉각센서
촉각 피부 차별점
쓰다듬는 손길까지
감지
3축 촉각, 자가회복 피부

로봇 작업지능과 학습 데이터

사람의 시연을 학습해 다양한 작업으로 확장
1시연 수집
2이해와 계획
3작업 수행 RoGeTA
RoGeTA 교시 장치로
사람의 시연 수집
데이터 팩토리
휴머노이드 여러 대의 동시 시연 수집 환경
▶
명령 이해언어·시각 모델
작업 계획순서 수립과 검증
동작 조합집기, 놓기, 복구
▶
테이블 정리
분리수거와 물건 전달

의료로봇

정밀조작과 원격제어로 의료 역량 확장
정밀조작최소침습 카테터 수술로봇
심장 모형 속 카테터
가는 관 끝을 떨림 없이 원하는 방향으로 조향
원격제어울릉도–대구 원격 초음파
의사 · 조작
로봇 · 초음파
의사의 손 조작을 먼 곳의 로봇이 따라 초음파 영상 획득

디지털트윈

실제 장비와 가상 트윈을 실시간 연동해 학습·최적화
실제 장비디지털트윈
자율주행 트랙터 — 실차 작업을 트윈에서 실시간 관제
디지털트윈실제 설비
공작기계 자율제조 셀 — 설비·로봇 동작을 트윈과 연동
美 Digital Twin Consortium공식 테스트베드
MANDATE-R2R 이차전지 롤투롤 자율제조
실제 설비와 트윈을 실시간 연동, 다중 AI 에이전트가 공정을 스스로 최적화 · 2025.12 등록

필드로봇이 마주하는 현장

실험실 밖에서는 조건이 매번 달라진다
숲속 비정형 지형에서 작업하는 임업 장비
비정형정해진 형상·배치가 없다
먼지 낀 광산 운반로를 달리는 운반 트럭들
가변날씨·먼지·노면이 수시로 바뀐다
흙을 퍼 올리는 굴착기 버킷
접촉흙·나무·암석과 힘을 주고받는다
그래서 관측으로 상태를 추정하고, 결과를 보며 다시 고친다
사진: AI Frontiers Summit 2026 「AI Technologies for Field Robotics」 수록(개별 출처 미표기)

필드로봇은 어떻게 움직이나

관측 → 추정 → 계획 → 행동, 그리고 결과로 다시 고친다
모델 기반 추정·최적화 학습이 들어가는 자리
관측
카메라 · LiDAR
IMU · GNSS · 압력
추정
위치 · 지형 · 상태
필터 · 스캔 정합영상 분할 · 주행가능성
계획
경로 · 작업 순서
경로 탐색 · 최적화주행 비용 · 작업 순서
행동
관절 · 유압 구동
MPC · 피드백 제어시연 · 강화학습 정책
결과 지형이 바뀌고 · 반력이 생기고 · 성공하거나 실패한다 → 다시 관측
개념도: v3 일반기술 근거(Miki 2022 · Lee 2021 · Rudin 2021 · Spinelli 2024)를 종합해 재구성

현장에서 흐려지는 센서

풀·눈·물·분진 앞에서는 깊이 측정이 부정확해질 수 있다
원본 발표 수록 영상
광산 장비 작업 장면 CG 애니메이션 — 출처 미표기 원본 자료
풀 · 눈밟을 수 있어도 장애물로 보임
물 · 반사면빛이 되돌아오지 않아 측정이 빠짐
분진 · 안개 · 조명깊이 측정 잡음 · 저하
한 센서에 기대지 않고
여러 센서와 발·바퀴의 접촉 감각을 함께 쓴다
Miki et al., Science Robotics 2022 (서론) · 영상: 원본 발표 수록(출처 미표기)

지도와 접촉 감각을 함께 쓰는 보행

위치·고도지도는 추정으로, 보행 정책은 지도와 접촉 감각을 함께 활용
LiDAR · 카메라 · IMU
관절 · 자세 이력
전통 추정 · 최적화
위치추정점군 정합 + IMU 적분
고도지도셀 높이·분산 갱신
고유감각 직접 입력 — 지도를 거치지 않음
학습
보행 정책높이 샘플 + 관절·자세 이력
미끄러운 판을 밟는 ANYmal 사진 a~e와 정책 내부 마찰계수 추정 그래프 (Miki et al. 2022 Fig.4E, 가운데 시각화 행 제외)
미끄러운 판을 밟은 뒤 정책 내부 상태(belief)의 마찰 추정이 떨어진다 외부 연구 · 실내 시험
도식: 세 논문을 종합한 개념도(자체 작성) · Shan et al., IROS 2020 · Miki et al., IROS 2022 · Miki et al., Science Robotics 2022, Fig. 4E

높이 지도 너머, 지나갈 수 있는가

로봇의 실제 주행 결과를 자기지도 신호로 — 영상에서 통과 가능 영역을 학습
WVN: 사람이 몰아 준 주행 후 몇 분 만에 통과 가능 영역을 구분해 숲에서 자율 주행 (Frey et al. 2023 Fig.1)
숲에서 사람이 먼저 몰아 주고, 몇 분 뒤 로봇이 스스로 길을 고른다 외부 연구 · 실기 야외
명령 속도 vs 실제 속도
통과 가능성 점수잘 따라가면 높음
영상 영역에 라벨현장에서 계속 학습
기준 속도와 실제 속도, 통과 가능성 점수 그래프 (Frey et al. 2023 Fig.4)
실제 속도가 명령을 못 따라가는 구간 = 낮은 점수
Frey, Mattamala et al., RSS 2023, Fig. 1·4 · Mattamala et al., Autonomous Robots 2025

밟아 본 결과로 영상을 학습

접촉으로 마찰·강성을 추정하고, 영상에 옮겨 아직 밟지 않은 곳을 예측
저자 공개 영상 · 외부 재생(인터넷 필요)
산길에서 예측한 마찰 지도 — 탑재 카메라 영상 위 예측 외부 연구
발 접촉 이력 + 지형 형상
마찰 · 강성 추정시뮬레이션에서 학습한 추정기
영상에 자동 라벨
앞쪽 지형 예측 → 접촉으로 다시 갱신
검증 수준 실기 정량 검증은 미끄러운 판·바닥의 마찰 위주, 야외는 정성. 값은 시뮬레이션 접촉 파라미터 — 토질 정수가 아니다.
제안 지반 시험값과의 대응은 협업으로 검증할 과제
Chen et al., IEEE RA-L 2024 (arXiv:2408.16567) · 영상: 저자 프로젝트 페이지에서 직접 재생 leggedrobotics.github.io/identifying_terrain_physical_parameters_webpage

모르는 땅은 조심해서

같아 보여도 다른 땅, 처음 보는 땅 — 두 불확실성을 경로 계획에 반영
같아 보여도 결과가 다른 땅
Spot이 식생 속에서 명령 속도를 잘 따라가는 장면
명령대로 이동
Spot 다리가 잔가지에 막히는 장면
잔가지에 막힘
Spot 다리가 식생에 걸리는 장면
식생에 걸림
traction 높음traction 낮음
처음 보는 땅
학습 환경의 낮은 초지
학습한 환경
시험 환경의 높은 식생
처음 보는 환경
같아 보여도 다른 땅traction의 분포로 학습
나쁜 쪽 traction으로 궤적을 미리 계산
처음 보는 땅학습 데이터와 얼마나 다른지 판별
경로에서 회피

traction = 실제 속도 ÷ 명령 속도
검증: 시뮬레이션 + RC카·Spot 실기

Cai et al., IEEE Transactions on Robotics 2024 (EVORA), Fig. 1 사진 · Spot 실기 야외

학습 정책은 어디에 들어가는가

ETH 제방 사례: 기존 계획·자세 추종에 학습한 접촉 동작을 결합
11.5톤 굴착기가 학습 정책으로 제방을 쌓는 현장외부 연구 · 실기 야외
11.5 t 굴착기 제방 쌓기 — ETH Zürich, 2026
작업 위치 계획어디를 긁을지 — 기존 방식
한 번 긁기지형 높이·삽 자세·힘 사용률 → 목표 삽 자세
삽 자세 추종유압 제어 — 기존 방식
시뮬레이션 모델예측제어는 힘·유압 동력·실린더 행정·유량 한계를 매 주기 제약식으로 계산 서울대 2021 영상 ↗
Werner et al., arXiv 2609.12677 (2026) Fig. 3·현장 사진, CC BY-NC-SA 4.0 · Lee et al., IROS 2021

숙련자의 감각을 데이터로 옮길 수 있는가

숙련자 시연에서 장비 상태와 조작의 관계를 배운다
자갈 더미휠로더 버킷 숙련자 시연버킷 채우기 약 100회 관계 학습최근 센서 신호 이력 →버킷 조작 자동 버킷 채우기현장 자갈 더미 작업 상태에 따른 반응같은 궤적을 외우는 것이아니라, 센서 이력에 맞춰조작을 고르는 관계 유압 지연명령이 늦게 반영되므로얼마나 과거 신호까지 볼지가핵심 설정
외부 연구 · 실기 야외 Volvo L180H 휠로더, 자갈 버킷 채우기 현장시험 — Luleå 공대 외, 2019 원문 ↗
Dadhich, Sandin, Bodin, Andersson, Martinsson, Automation in Construction 97 (2019) — 초록 확인 범위 · 개념도는 자체 작성

수천 번의 시도를 시뮬레이션에서

병렬 시뮬레이션에서 배운 정책을 실제 장비의 밸브 명령으로 옮긴다
병렬 시뮬레이션 학습 화면 왼쪽
병렬 시뮬레이션 학습 화면 오른쪽
원본 발표 수록 — 병렬 시뮬레이션 학습 화면 예시(출처 미표기)
가상 장비 수천 대GPU에서 동시에 시행착오
정책센서 관측 → 관절 속도
실제 굴착기표준 비례밸브 명령
12톤 굴착기가 학습 정책으로 바위를 퍼올리는 현장외부 연구 · 실기 야외
12 t 굴착기 바위 굴착 — ETH, 2025
ETH 2022 토질 적응 굴착 영상 ↗
GIF: 원본 발표 수록 · Rudin et al., CoRL 2021 · Egli et al., RA-L 2022 · 사진: Gruetter et al., arXiv 2509.17683 Fig. 1, CC BY 4.0

토질 정수는 학습 환경의 조건이 된다

점착력·마찰각의 범위를 정해 시뮬레이션을 흔들고, 실기는 접촉 반응으로 적응
시뮬레이터의 토양 저항 모델
  • c 점착력
  • φ 내부마찰각 흙 속 전단
  • δ 흙–버킷 마찰각 접촉면
  • γ 단위중량
범위 안에서 무작위로 바꿈
버킷 저항력 계산
정책 학습실기에서는 압력·관절 반응을 봄
단단한 흙과 무른 흙에서 학습 정책의 버킷 경로 비교 그래프
같은 정책, 다른 흙 — 단단한 흙은 끌고, 무른 흙은 파고든다 외부 연구 · 실기 경로
Gruetter et al., arXiv 2509.17683 (2025) Table I·Fig. 5, CC BY 4.0 · Egli et al., RA-L 2022

시뮬레이션과 현장의 차이를 잰다

현장 계측으로 시뮬레이터를 맞춰 보고, 마지막은 실기로 확인한다
흙 — 현장 시험과 비교
휠로더 현장 시험자갈 더미 · 자세·힘·적재량 계측
같은 조작의 입자 시뮬레이션입자 크기를 바꿔 비교
유압 — 실측으로 모델링
실기 운전 기록압력·명령·속도
선회 유압 모델 학습시뮬레이터에 결합
실기 — 결과를 직접 측정
작업 전후 LiDAR 스캔으로 실제 만든 형상을 확인
전문 운전자와 로봇이 만든 제방 단면 비교 그래프
실기 제방 단면 — 전문 운전자(파랑) · 학습 정책(빨강) 외부 연구 · 실기 야외
Aoshima & Servin, arXiv 2310.05765 · Spinelli et al., IROS 2024 · 그래프: Werner et al., arXiv 2609.12677 Fig. 8, CC BY-NC-SA 4.0

말로 지시하면 장비 작업 순서가 되는가

언어 모델은 작업 순서와 기계 간 동기화를 짜고, 동작은 기존 스킬이 한다
"흙을 한 번 파서 덤프장으로 옮겨라"
LLM → 작업 순서사람이 검토·수정 요청
기계별 행동트리
굴착기초기 자세덤프 도착 대기굴착 · 적재초기 자세 복귀
덤프트럭굴착기 준비 대기적재 위치 이동적재 · 복귀 완료 대기덤프장 이동 · 하역
상태 플래그 공유 — "굴착기 초기 자세 완료" · "덤프 적재 위치 도착" · "적재 완료"
기존 하위 스킬굴착 · 이동 · 하역 — 미리 만든 계획·제어
외부 연구 · 실기 1건 굴착기(ZX200) + 덤프트럭 협업 시연 — 규슈대·일본 토목연구소, 2026 원문 ↗
Tsutsumi et al., arXiv 2602.01041 (2026) Fig. 3·7, Table III · 도식: 주요 동기화 개념도(자체 작성)

협업 크레인 거더 자동운반

다중 크레인을 통합 제어해 교량 거더를 자동 운반
기술적 성과
다중 크레인 통합제어위치 오차 수평/수직 ±5 cm
라이다 기반 충돌방지환경탐지
Multi-RRT거더 이송 경로계획
축소 크레인자동운반 실증
협업 크레인 시스템 구성환경탐지 센서와이어 센서크레인 1크레인 2붐 각도 센서붐 길이 센서거더 위치자세 센서거더관제 시스템크레인 GPS크레인 제어기스윙 각도 센서
협업 크레인 시스템 구성
교량 구조물 이송 사례
자동운반 제어 ①
자동운반 제어 ②
원본 1.5배속
자동운반 제어 ③

굴착기·휠로더 원격제어

기계식 장비에 전자제어 retrofit kit를 달아 원격으로 제어
원격제어 스테이션
원격제어 스테이션
원격제어 굴착기굴착기 retrofit kit
원격제어 굴착기 Retrofit kit
원격제어 휠로더휠로더 retrofit kit
원격제어 휠로더 Retrofit kit
전자제어 인터페이스비례제어밸브 모듈 · 임베디드 컨트롤러 · GNSS · IMU · 압력계
작업장치 위치 제어굴착기 · 휠로더
정밀 압력 제어 · AI 고장진단Pilot 압력 hysteresis 제거
고장검출 정확도 90% 이상
공동연구개발 (다산네트웍스 주관)다산네트웍스KITECH한국기계연구원

원격제어 굴착기 시연

retrofit kit을 단 굴착기를 원격으로 조작
원격제어 굴착기

과수 예찰 자율 농업기계

자율주행 플랫폼에 매니퓰레이터와 병해충 탐지기를 탑재
플랫폼 3D 설계
3D 설계
제작 플랫폼
제작 플랫폼
플랫폼 치수 도면3D 모델
치수 도면
병해충 탐지기 광학 헤드 설계
탐지기 광학 헤드 설계
병해충 탐지기(광학 헤드) 모형 장착

과수 예찰 주행·자세 시험

주행 위치와 매니퓰레이터 자세를 목표값과 실제값으로 비교
주행플랫폼 위치 Map 좌표
주행플랫폼 X·Y·Heading 목표 대비 실제 그래프
Odometry 원점: SLAM 초기 위치
Odometry XY 궤적 그래프
Turn
매니퓰레이터 자세 관절각
매니퓰레이터 관절각 그래프
모의 예찰

UAV·UGV 연동 시험

무인이동체 육해공 자율협력 — UAV와 UGV 연동 시험

휠-레그 로봇 정책 전이 화재현장 실내수색 무인이동체

상용 휠-레그 로봇에서 학습한 제어를 통합 UGV 플랫폼으로 전이
제어기 학습을 위한 병렬 연산 시뮬레이션 환경시뮬레이션
제어기 학습을 위한 병렬 연산 시뮬레이션 환경
휠 레그 로봇의 형태학적 유사성 이용시뮬레이션
휠-레그 로봇의 형태학적 유사성 이용
상용 휠-레그 로봇제어 학습
시뮬레이션 간정책 전환
시뮬레이션 → 실제환경 전환 (추진)
통합 UGV 플랫폼

숙련자 데이터 학습 파이프라인

숙련자 작업을 데이터로 수집·학습해 무인 굴착기 자율작업으로
데이터 수집
데이터 수집 플랫폼
데이터 수집 굴착기
→
라이다 점군 → 2D 그리드
데이터 수집 및 가공
라이다
그리드맵
……… 관절각
센서
관절각 시계열 카메라 작업매핑approach (x,y,z)dig (depth,drag)dump (x,y,z)
숙련자 작업 DB
approach (…)
dig (…)
dump (…)
⋮
인공지능 학습
2D 그리드인공지능 모델
dig(depth, drag)
라이다 2D 그리드 → 인공지능 모델 학습
자율작업 실증
작업 전후 지형
AI 기반 무인 굴착기 자율작업 계획 및 제어
참여 기관SURROMIND한국기계연구원KOCETIHD현대영신디엔씨아주대학교Ontario Tech University

MC 굴착기 센서 구성

기존 굴착기에 인지·자세·유압 센서를 더한 데이터 수집 플랫폼
LiDAR & Stereo Camera #1
Tilt Sensor
Pressure Sensor
Input Switch for Logging
센서를 장착한 KIMM 굴착기
LiDAR & Stereo Camera #2
GNSS-RTK
Main Control Box & IMU
Swing Angle Estimator

2D 그리드 작업계획 강화학습

2D 그리드 맵에서 Dig·Dump·Leveling 작업계획을 강화학습(PPO)으로
문제 정의
작업 환경20×40 그리드 맵 (실제 10 m×20 m)
한 그리드 0.5 m · 높이 −3 ~ 3 m
행동작업 시작 지점 (x 0~40, y 0~20)
Dig · Dump별 action space
보상 함수1회 굴착량 최대화
평균 높이 목표 도달 여부
이동거리 최소화
PPO
학습 환경 그리드
학습 환경
강화학습 기반 평탄화 Dumping 작업 시퀀스
Dumping 작업 시퀀스
작업 종료
작업 종료
강화학습 기반 평탄화 Leveling 작업 시퀀스
Leveling 작업 시퀀스

가상환경 자율작업 시스템 구조

Vortex Studio·ROS2 가상환경에서 인식 → 상위 계획 → 하위 제어
환경 인식
Environment PerceptionLiDAR · Camera
State Estimation경사계 · IMU · RTK-GPS · Encoder · 압력계 · TF
상위 계획High-level Planner
Grid MapperGrid Map GeneratorGrid Map InterpolationROI Extraction
RL ModuleDig ModelDump ModelLeveling Model
Task ManagerTask Combination PlannerTask Scheduler
Trajectory GeneratorDig · Dump ModuleSwing ModuleSwing-less Module
하위 제어Low-level Controller
Motion Control
AI-to-WorldCoordinate Transformation
Inverse KinematicsSolver
Actuator Control
BucketPID
BoomPID
ArmPID
SwingPID

가상환경 자율작업 1사이클

점군 인식부터 제어까지 가상환경에서 한 사이클 자율 수행
Point Cloud환경 인식
GridMap생성 및 추출
목표작업 영역인공지능 기반 설정
궤적 생성
자율 작업 제어
가상환경 · 1-cycle

관로파기 현장 실증과 관제 UI

실제 굴착기의 관로파기 자율작업과 관제 화면
실제 배속
관로파기 자율작업 영상
123
굴착기 자율작업 관제 UI
12D 그리드맵
2현재 / 목표 / 차이 지형 맵
3버킷 궤적 (목표 / 실제)

지반 특성 이해를 위한 협업 제안

땅을 미리 아는 정보와 파면서 아는 정보를 함께 쓰는 굴착
지반 사전정보지반조사 · 시추
토질 물성
KICT 지반연구본부
KIMM 관로파기 자율작업 시험장
굴착 작업계획그리드 지도 · 작업 순서 · 궤적
작업 중 관측점군 지형 변화
유압 압력 · 자세
KIMM 자율작업 굴착기
공동연구 제안 — 협의 전