융합_로보테크 AI 자율주행 로봇 개발자 과정-26/05/18

---

 

 

심화 프로젝트 기획 보고서

 

이동 피킹 연동 자율주행 운반 로봇

TurtleBot3 + 로봇팔 + Arduino 팔로워 군집 협업 기반 운반 시스템

 

 

과정명: 로보테크 AI 자율주행 로봇 개발자 과정

팀 구성: 4인 1팀 (팀장 1 + 팀원 3)

수행 기간: 2026. 05. 20 (수) ~ 06. 30 (화) / 실작업 27일 + 마무리 2일

 

 

목차

1. 프로젝트 개요

    1.1 추진 배경

    1.2 핵심 아이디어

    1.3 활용 분야 및 범용성

    1.4 과업 목표

2. 핵심 동작 시나리오

    2.1 시나리오 개요

    2.2 상태 머신(FSM) 정의

    2.3 분류 시나리오

3. 시스템 아키텍처

    3.1 핵심 설계 원칙

    3.2 시스템 구성도 (5계층)

    3.3 데이터 흐름

    3.4 ROS2 토픽 구조

    3.5 MQTT 토픽 구조

4. 사용 기술 스택

    4.1 로봇/자율주행 기술

    4.2 IoT/임베디드 기술

    4.3 웹/서버 기술

    4.4 부트캠프 커리큘럼 매핑

5. 하드웨어 구성

    5.1 리더 차량

    5.2 팔로워 차량

    5.3 부품 리스트

6. 4인 역할 분담

    6.1 역할 배정

    6.2 팀 리더의 사전 설계 책임

7. 일정 및 마일스톤

    7.1 전체 일정 개요

    7.2 간트차트

    7.3 마일스톤 상세

8. 리스크 관리

    8.1 핵심 부품 호환성 우선 검증

    8.2 리스크별 대응

    8.3 하드웨어 병목 분석 및 소프트웨어 해결 전략

9. 기대효과

    9.1 산업적 효과

    9.2 범용성

    9.3 교육적 가치

10. 마무리

    10.1 보충할 점 / 향후 발전 방향

 

 

1. 프로젝트 개요

1.1 추진 배경

산업 현장에서 물체를 집어 옮기는 작업은 로봇팔(매니퓰레이터)이 담당한다. 그러나 로봇팔은 한 대당 수천만 원에 달하는 고가 장비이며, 설치 위치가 고정되어 있어 작업 범위가 제한된다. 컨베이어 벨트를 설치하면 운반 문제는 해결되지만, 레이아웃이 고정되어 공정 변경 시 대규모 재시공이 필요하다.

특히 중소 물류센터, 낙후된 창고, 소규모 제조 현장은 고가 장비를 여러 대 도입할 예산이 부족하고, 고정식 설비를 설치할 공간적 여유도 없다. 이러한 환경에서는 자동화 도입 자체가 어렵다는 구조적 한계가 존재한다.

본 프로젝트는 이 한계를 정면으로 극복하기 위해, "비싼 장비는 1대만, 저렴한 운반 로봇은 여러 대" 라는 아키텍처를 제안한다. 로봇팔이 장착된 자율주행 리더 로봇 1대가 물체를 집고, Arduino 기반의 저비용 팔로워 로봇 N대가 군집을 이루어 운반을 분담하는 협업 시스템이다.

1.2 핵심 아이디어

본 프로젝트의 핵심 통찰은 단순하다. "비싼 것은 1대만, 싼 것은 여러 대." 로봇팔(OpenManipulator-X)은 고가이므로 리더 로봇 1대에만 장착하고, 운반만 담당하는 팔로워 로봇은 Arduino UNO + DC 모터로 구성하여 대당 수만 원 수준으로 제작한다.

이 아키텍처의 핵심 장점은 다음과 같다.

·        로봇팔 1대로 N배 효율: 팔로워가 운반을 분담하므로 리더는 피킹에만 집중한다.

·        레이아웃 자유: 컨베이어 없이 로봇이 직접 이동하므로 공정 변경이 즉각 가능하다.

·        확장 용이: 처리량을 늘리고 싶으면 팔로워만 추가하면 된다.

·        비용 효율: 고가 장비 최소화, 저비용 팔로워로 운반 커버리지를 확보한다.

 

1.3 활용 분야 및 범용성

본 프로젝트에서 제안하는 "리더 1대 + 팔로워 N대" 아키텍처는 특정 산업에 종속되지 않는 범용 패턴이다. 리더가 수행하는 작업(피킹, 분류)과 팔로워가 담당하는 운반을 분리한 구조 자체가 다양한 산업 현장에 그대로 적용 가능하다.

순위	활용 분야	적용 시나리오	리더 역할	팔로워 역할
1	물류센터 / 창고 (주력)	피킹 + 분류 + 운반 일체화	로봇팔로 선반에서 물체 피킹	분류된 물체를 출하 구역으로 운반
2	트럭 군집주행 (확장 가능성)	리더 트럭 1대 + 팔로워 트레일러 N대	선두 차량이 경로·속도 결정	후방 차량이 화물 운반 추종
3	공항 / 항만	수하물·컨테이너 운반	수하물 분류 로봇	분류된 수하물을 게이트별 운반
4	농업	수확물 운반	수확 로봇	수확물을 집하장으로 운반
5	병원 / 호텔	물품·식사 운반	물품 분류 스테이션	객실·병실별 배송 로봇

 

특히 트럭 군집주행(Truck Platooning)은 미국·유럽의 장거리 물류에서 이미 상용화가 진행 중인 분야로, 본 프로젝트의 리더-팔로워 아키텍처와 동일한 개념이 실제 도로 위에서 구현되고 있다.

1.4 과업 목표

본 섹션은 "프로젝트 목표"가 아닌 "과업 목표"로 정의한다. 부트캠프 과정에서 배운 기술 스택을 최대한 활용하고, 이전 PURE 프로젝트의 아쉬운 점을 보완하는 것이 과업의 핵심이다.

성과 목표:

·        TurtleBot3 + OpenManipulator-X 연동으로 이동 피킹(모바일 매니퓰레이션) 구현

·        Arduino 팔로워 2대의 군집 협업 및 라인트레이싱 기반 자율 운반

·        YOLO 객체 탐지를 활용한 물체 검출 및 색상 기반 분류

·        MQTT 기반 이기종 시스템(ROS2 ↔ Arduino ↔ Spring Boot) 완전 통합

·        웹 대시보드를 통한 실시간 모니터링 및 원격 제어

·        전체 시나리오 10회 중 7회 이상 안정 성공 (최종 목표: 9회 이상)

이전 PURE 프로젝트 대비 보충 사항:

PURE 아쉬운 점	이번 프로젝트 보충
단일 로봇 운용	다중 로봇 협업 시스템 (리더 1 + 팔로워 2)
YOLO 미사용	YOLO 기반 물체 탐지 + Roboflow 커스텀 학습
로봇팔 미사용	OpenManipulator-X + MoveIt 연동
WebSocket 미적용	WebSocket 적용 시도 (여유 시)

 

 

 

2. 핵심 동작 시나리오

2.1 시나리오 개요

아래는 전체 시스템이 한 사이클을 수행하는 과정을 일반인도 이해할 수 있는 언어로 설명한 것이다. 각 단계는 화살표로 연결되어 순서대로 진행된다.

① 대기  리더 로봇과 팔로워 2대가 픽업 스테이션(물건이 놓인 곳) 앞에 나란히 정렬하여 대기한다.

② 물체 검출  리더 로봇의 카메라가 픽업 스테이션 위의 물체를 YOLO(인공지능 객체 탐지 기술)로 인식한다.

③ 피킹  리더에 장착된 로봇팔(OpenManipulator-X)이 검출된 물체를 집어 올린다.

④ 분류  물체의 색상을 판별하여 어느 팔로워에 넣을지 결정한다. (예: 빨강 → 팔로워1, 파랑 → 팔로워2)

⑤ 투하  리더가 해당 팔로워 위치로 미세 이동한 뒤, 로봇팔이 상자에 물체를 놓는다.

⑥ 카운트 증가  Task Manager(작업 관리자)가 해당 팔로워의 적재 개수를 +1하고, MQTT(IoT 통신 프로토콜)로 웹 대시보드에 전송한다.

⑦ 가득 참 판정  적재 개수가 N개에 도달하면, Task Manager가 해당 팔로워에 "출발" 명령을 보낸다.

⑧ 팔로워 이탈  가득 찬 팔로워는 바닥의 검은 선(라인)을 따라 목적지로 자율 이동한다.

⑨ 잔여 팔로워 대기  아직 덜 찬 팔로워는 리더 옆에서 계속 대기하며 다음 투하를 기다린다.

⑩ 복귀  팔로워가 목적지에 도착하면, 비워지고 다시 픽업 스테이션으로 복귀한다.

 

 

 

2.2 상태 머신(FSM) 정의

로봇의 전체 동작은 유한 상태 머신(FSM: Finite State Machine, 로봇이 현재 무엇을 하고 있는지를 상태로 정의하고, 조건에 따라 다음 상태로 전환하는 방식)으로 관리된다.

상태	설명	전환 조건
IDLE (대기)	리더와 팔로워가 픽업 스테이션에서 대기	물체 검출 시 → DETECT
DETECT (검출)	YOLO/색상으로 물체 인식 및 위치 추정	물체 확인 시 → PICK
PICK (피킹)	로봇팔이 물체를 집음	그립 성공 시 → CLASSIFY
CLASSIFY (분류)	색상 판별 후 대상 팔로워 결정	팔로워 결정 시 → DROP
DROP (투하)	해당 팔로워 상자에 물체 투하	투하 완료 시 → COUNT
COUNT (카운트)	적재량 +1, 가득 참 여부 판정	가득 참 → DISPATCH 여유 있음 → IDLE
DISPATCH (출발)	가득 찬 팔로워에 출발 명령	팔로워 이탈 후 → IDLE

 

 

 

 

2.3 분류 시나리오

물체 분류는 색상 기반으로 수행한다. 카메라가 촬영한 이미지에서 HSV 색공간 변환 후 특정 색상 범위에 해당하는지 판별하며, YOLO와 병행하여 정확도를 높인다.

물체 색상	할당 팔로워	목적지	비고
빨강 계열	팔로워 1	목적지 A	HSV H: 0~10, 170~180
파랑 계열	팔로워 2	목적지 B	HSV H: 100~130
기타	팔로워 1 (기본값)	목적지 A	판별 불가 시 기본 할당

 

 

 

3. 시스템 아키텍처

3.1 핵심 설계 원칙

본 시스템의 설계는 두 가지 핵심 원칙을 따른다.

역할 분리 원칙(Separation of Concerns):

·        로봇 내부(주행, 맵핑, 피킹, 인식): ROS2가 전담한다.

·        팔로워 임베디드(추종, 라인트레이싱, 모터 제어): Arduino가 전담한다.

·        웹 모니터링/제어: Spring Boot가 전담한다.

·        세 영역은 MQTT 브로커를 통해 느슨하게 결합(Loose Coupling)되어, 각 영역의 독립적 개발·디버깅·확장이 가능하다.

느슨한 결합(Loose Coupling) — MQTT 중심 통신:

MQTT(Message Queuing Telemetry Transport)는 IoT에서 널리 사용되는 경량 메시지 프로토콜이다. 발행-구독(Pub/Sub) 패턴으로 동작하며, 메시지를 보내는 쪽과 받는 쪽이 서로를 직접 알 필요가 없다. 이 느슨한 결합 덕분에 센서를 추가하거나 변경해도 다른 영역에 영향을 최소화할 수 있다.

 

 

3.2 시스템 구성도 (5계층)

전체 시스템은 5개 계층이 MQTT 브로커를 중심으로 연결된다. 아래 표는 각 계층의 역할과 핵심 구성요소를 정리한 것이다.

계층	명칭	핵심 구성요소	역할
1	센서/임베디드	Arduino UNO, ESP-01, IR 라인센서, 초음파, ESP32-CAM	팔로워 차체 제어, 센서 데이터 수집, 무선 MQTT 통신
2	통신 미들웨어	Mosquitto MQTT 브로커	모든 계층 간 메시지 중계 (Pub/Sub)
3	로봇 제어	TurtleBot3 + ROS2 (SLAM, Nav2, MoveIt, FSM, YOLO)	리더 자율주행, 로봇팔 피킹, 작업 관리
4	웹 백엔드	Spring Boot + MySQL + REST API	DB 저장, API 제공, MQTT 구독/발행
5	사용자 인터페이스	웹 대시보드 (Thymeleaf) + ngrok 외부 접속	실시간 모니터링, 원격 제어

 

 

 

 

3.3 데이터 흐름

시스템의 핵심 데이터 흐름을 두 경로로 나누어 설명한다.

경로 1: 센서 데이터 → 웹 대시보드 (모니터링)

 

 

 

경로 2: 리더 로봇 ↔ 팔로워 (작업 명령)

 

3.4 ROS2 토픽 구조 (예상)

토픽명	메시지 타입	발행 노드	구독 노드	설명
/cmd_vel	Twist	Nav2 / Pure Pursuit	TurtleBot3	주행 속도 명령
/scan	LaserScan	TurtleBot3 LiDAR	SLAM / Nav2	라이다 스캔 데이터
/map	OccupancyGrid	SLAM Toolbox	Nav2 / 웹	생성된 지도
/camera/image	Image	USB 카메라	YOLO / ArUco	카메라 영상
/yolo/detect	Custom	YOLO 노드	Task Manager	객체 탐지 결과
/arm/command	JointTrajectory	MoveIt	OpenManipulator	로봇팔 동작 명령
/task/state	String	Task Manager	모니터링	현재 FSM 상태

 

3.5 MQTT 토픽 구조 (예상)

토픽	발행자	구독자	페이로드 예시	설명
robot/state	ROS2 브리지	Spring Boot	{"state":"PICK"}	리더 FSM 상태
robot/detect	ROS2 브리지	Spring Boot	{"color":"red","x":320}	YOLO 검출 결과
follower/1/count	Task Manager	Spring Boot	{"count":3,"max":5}	팔로워1 적재량
follower/1/cmd	Task Manager	ESP-01 (#1)	"GO" / "STOP"	팔로워1 명령
follower/2/count	Task Manager	Spring Boot	{"count":2,"max":5}	팔로워2 적재량
follower/2/cmd	Task Manager	ESP-01 (#2)	"GO" / "STOP"	팔로워2 명령
web/command	Spring Boot	ROS2 브리지	"START" / "PAUSE"	웹 원격 명령

 

 

 

4. 사용 기술 스택

4.1 로봇/자율주행 기술

기술	버전/상세	역할
ROS2	Humble Hawksbill	로봇 미들웨어, 노드 통신(DDS), QoS
SLAM Toolbox	ROS2 패키지	TurtleBot3 LiDAR 기반 실시간 지도 생성
Nav2	ROS2 Navigation Stack	자율주행 경로 계획 + 장애물 회피
MoveIt	ROS2 MoveIt2	OpenManipulator-X 모션 플래닝
Pure Pursuit	직접 구현 (C++/Python)	경로 추종 알고리즘
A* 경로 탐색	직접 구현	최적 경로 탐색 + Safety Cost Map
YOLO	YOLOv8 / Roboflow	탁구공·물체 객체 탐지
ArUco 마커	OpenCV aruco 모듈	팔로워 위치 식별, 정밀 정렬
OpenCV	4.x	영상 처리, HSV 색상 분류
Gazebo	Ignition / Classic	시뮬레이션 환경
RViz	ROS2 기본	실시간 시각화 (맵, 경로, 로봇 위치)

 

 

 

4.2 IoT/임베디드 기술

기술	상세	역할
Arduino UNO	ATmega328P	팔로워 MCU, 모터·센서 제어
ESP-01 (ESP8266)	Wi-Fi 모듈	Arduino ↔ MQTT 브로커 무선 통신
ESP32-CAM	Wi-Fi + 카메라	팔로워 마커 추적 (권장 부품)
MQTT	Mosquitto + paho-mqtt + Eclipse Paho (Arduino)	발행-구독 메시지 브로커
AFMotor 쉴드 v1	Adafruit	DC 모터 4채널 드라이브
HC-SR04	초음파 센서	전방 거리 측정, 충돌 방지
TCRT5000	IR 반사 센서	라인트레이싱

 

4.3 웹/서버 기술

기술	버전/상세	역할
Spring Boot	4.0.6	웹 백엔드 프레임워크
MySQL	8.x	적재량, 작업 이력, 로봇 상태 영속화
Thymeleaf	Spring 기본 템플릿	웹 대시보드 UI 렌더링
REST API	Spring MVC	프론트엔드 ↔ 백엔드 데이터 교환
ngrok	터널링 서비스	로컬 서버를 외부 HTTPS로 노출
WebSocket (옵션)	Spring WebSocket	HTTP 폴링 → 실시간 양방향 통신 전환

 

 

 

4.4 부트캠프 커리큘럼 매핑 (STEP 1~6)

본 프로젝트는 부트캠프 전 과정(STEP 1~6)에서 배운 기술을 빠짐없이 활용한다. 아래 표는 각 STEP에서 배운 기술이 프로젝트의 어느 부분에 적용되는지 매핑한 것이다.

STEP	교육 영역	핵심 기술	프로젝트 적용 부분
1	로봇 임베디드	C++/Python ROS2 노드, 멀티스레딩, 모듈화	Task Manager, 네비게이션 컨트롤러, MQTT 브리지
2	로봇 알고리즘	C++ 알고리즘, Pure Pursuit 직접 구현	경로 추종 알고리즘, A* 경로 탐색
3	ROS2 입문	ROS2 Humble, DDS, QoS, Topic/Service/Action, RQt, CLI, 패키지	전체 ROS2 노드 구조, 런치 파일, 토픽 설계
4	AI 센서퓨전	OpenCV, YOLO, ArUco, 카메라	YOLO 물체 탐지, ArUco 정밀 정렬, HSV 색상 분류
5	자율주행 데이터랩	판다스/넘파이, SLAM, AMCL, A* 경로계획	SLAM 지도 생성, AMCL 위치 추정, 데이터 분석
6	ROS2 응용	런치 파일, Nav2, MoveIt, 센서융합, 비상정지, Gazebo, RViz	Nav2 자율주행, MoveIt 로봇팔, Gazebo 시뮬, 비상정지 구현

 

추가로, 이전 프로젝트(PURE)에서 확보한 자산도 활용한다: Arduino UNO + ESP-01, MQTT(Mosquitto + paho-mqtt + Eclipse Paho), AFMotor, HC-SR04, Spring Boot + MySQL + Thymeleaf + ngrok, PyQt5(보조 디버깅).

5. 하드웨어 구성

5.1 리더 차량 (TurtleBot3 + 로봇팔)

TurtleBot3 Waffle Pi는 Raspberry Pi를 탑재한 교육·연구용 모바일 로봇 플랫폼이다. LiDAR, IMU, 카메라를 기본 탑재하며, ROS2와 완전 호환된다. 여기에 OpenManipulator-X 로봇팔을 장착하여 이동 피킹이 가능한 리더 차량을 구성한다.

구성요소	사양	역할
TurtleBot3 Waffle Pi	Raspberry Pi 4 탑재	리더 차량 본체, 자율주행
OpenManipulator-X	4DOF + 그리퍼	물체 피킹 및 투하
LiDAR	360° 2D 스캔	SLAM 지도 생성, 장애물 감지
USB 웹캠	720p+	YOLO 객체 탐지, ArUco 인식

 

5.2 팔로워 차량 (Arduino 기반, 2대)

팔로워는 Arduino UNO를 MCU로 사용하는 저비용 운반 차량이다. DC 모터 2개로 구동되며, ESP-01을 통해 MQTT로 리더 및 서버와 통신한다. 각 팔로워에는 물체를 담는 상자가 장착되어 있다.

구성요소	수량	역할
Arduino UNO	2	팔로워 MCU
AFMotor 쉴드 v1	2	DC 모터 4채널 드라이브
DC 모터 + 바퀴 + 섀시	2세트	차체 구동
ESP-01 (ESP8266)	2	Wi-Fi MQTT 통신
IR 라인센서 (TCRT5000)	4 (2대x2)	라인트레이싱
HC-SR04 초음파	2	전방 거리 측정
적재 상자	2	운반할 물체 보관

5.3 부품 리스트 (중요도별)

부품은 중요도에 따라 4단계(A~D)로 구분한다. 모든 부품을 한 번에 연결하기 어려울 수 있으므로, A(핵심) 부품부터 우선 확보하고 순차적으로 확장한다.

A. 핵심 부품 (이것이 없으면 프로젝트 불가)

No	품목	용도	수량	우선 검증
1	TurtleBot3 Waffle Pi	리더 차량	1	W1 즉시
2	OpenManipulator-X	피킹 로봇팔	1	W1 최우선 검증
3	Arduino UNO	팔로워 MCU	2	W1
4	DC 모터+바퀴+섀시 키트	팔로워 차체	2세트	W1
5	AFMotor 쉴드 v1	DC 모터 드라이브	2	W1
6	ESP-01 (ESP8266)	무선 MQTT 통신	2	보유

 

B. 권장 부품 (있으면 품질 향상)

No	품목	용도	수량
7	ESP32-CAM	팔로워 마커 추적 카메라	2
8	USB 웹캠 (720p+)	리더 YOLO/ArUco 인식	1
9	ArUco 마커 인쇄물	위치 기준점	5~10장
10	IR 라인센서 (TCRT5000)	팔로워 라인트레이싱	4 (2대x2)
11	HC-SR04 초음파	전방 거리/충돌 감지	2

 

 

C. 옵션 부품 (시간 여유 시)

No	품목	용도
12	RGB LED / 색상 마커	물체 색상 분류 보조
13	무게 센서 (로드셀)	적재량 정밀 측정 (SW 카운트로 대체 가능)
14	추가 팔로워 1대	3대 군집 시연

 

D. 인프라

No	품목	용도
15	Ubuntu PC	Mosquitto + Spring Boot + MySQL 서버
16	Wi-Fi 라우터	로컬 네트워크
17	검정 절연 테이프	라인트레이싱 트랙 제작

 

 

 

6. 4인 역할 분담

6.1 역할 배정

팀원 4인을 A/B/C/D 역할로 분담한다. 각 역할의 책임 영역은 아래와 같이 명확히 정의하되, 본인 배정은 팀 합의 후 확정 예정이므로 모두 (미정)으로 표시한다.

역할	담당 영역	주요 책임	주요 산출물
A (미정)	리더 차량 + 매니퓰레이션	TurtleBot3 SLAM/Nav2, OpenManipulator 픽업, ArUco 정밀 정렬, YOLO 객체 검출	맵 파일, 픽업 노드, MoveIt 설정, YOLO 학습 모델
B (미정)	팔로워 임베디드	Arduino 팔로워 차체 제작(2대), 마커/IR 추종, 라인트레이싱, MQTT 통신, 모터 제어	팔로워 차량 2대, 아두이노 스케치, 회로도
C (미정)	통신/통합	MQTT 브로커, ROS2 ↔ MQTT 브리지, FSM Task Manager, 적재 카운트, 시나리오 통합	브리지 노드, FSM 코드, launch 파일
D (미정)	웹 백엔드/ 대시보드	Spring Boot + MySQL, REST API, MQTT 구독, 실시간 맵·상태 시각화, ngrok 외부 접속	웹 서버 코드, 대시보드 페이지, DB 스키마

 

모든 팀원은 W4(4주차) 통합 테스트 단계부터 상호 영역을 이해하고 협업하며, 최종 발표 준비에 공동 참여한다.

6.2 팀 리더의 사전 설계 책임

팀 리더는 W1(1주차)에 전체 시스템의 인터페이스를 사전에 견고하게 설계할 책임이 있다. 프로젝트 진행 중 새로운 센서가 추가되거나 기존 센서가 변경될 경우, 다른 모듈에 미치는 영향을 최소화할 수 있도록 아래 절차를 수행한다.

·        인터페이스 정의서 작성: MQTT 토픽명, 페이로드 형식, ROS2 토픽 구조를 W1에 확정한다.

·        센서 추가/변경 영향 분석 절차:

·          1) 변경 요청서 작성 (어떤 센서를, 왜, 어디에)

·          2) 영향 범위 식별 (MQTT 토픽, ROS2 노드, DB 스키마, 웹 API 중 어디가 변경되는지)

·          3) 팀원 합의 후 반영

·        모듈 경계 명확화: 각 역할(A/B/C/D)의 입출력 인터페이스를 정의하여, 한 영역의 변경이 다른 영역에 전파되지 않도록 방화벽을 구축한다.

 

 

7. 일정 및 마일스톤

7.1 전체 일정 개요

총 수행 기간: 2026. 05. 20 (수) ~ 06. 30 (화), 가용 평일 29일 (공휴일 6/3 제외). 개발 27일 + 마무리 2일(영상 1일 + PPT/리허설 1일)로 구성된다. 각 역할(A/B/C/D)은 병렬로 진행하되, W4부터 전원 통합 테스트에 돌입한다.

 

 

7.2 간트차트 (병렬 진행 + 마일스톤)

주차	기간	평일	역할 A (리더+팔)	역할 B (팔로워)	역할 C (통신/통합)	역할 D (웹)	마일스톤
W1	5/20~ 5/22	3일	설계 확정 ROS2 WS 세팅	부품 확인 팔로워 설계	MQTT 브로커 구축	Spring Boot 프로젝트 생성	핵심 부품 호환 검증 완료 설계서 확정
W2	5/25~ 5/29	5일	SLAM + Nav2 로봇팔 픽업 단독 동작	팔로워 1대 차체 제작 모터 동작	MQTT 브리지 기본 구현	DB 설계 기본 페이지	M1: 리더 단독 픽업 성공 팔로워 1대 주행 센서값→웹
W3	6/1~6/5 (6/3 제외)	4일	ArUco 정렬 YOLO 통합	팔로워 2대 마커/라인 추종	FSM Task Manager	실시간 맵 REST API	M2: 팔로워 추종 성공 FSM 1회 동작
W4	6/8~ 6/12	5일	전체 통합	전체 통합	전체 통합	전체 통합	M3: 전체 시나리오 1회 성공
W5	6/15~ 6/19	5일	안정화 버그 수정	안정화 버그 수정	반복 시연 테스트	ngrok WebSocket(옵션)	M4: 10회 중 7회 이상 성공
W6	6/22~ 6/26	5일	차별화 기능	차별화 기능	최종 점검	최종 점검	M5: 10회 중 9회 이상 성공 영상 컷 확보
W7	6/29~ 6/30	2일	영상 편집	영상 보조	PPT 마무리	리허설	M6: 최종 산출물 완성

 

* W1~W3은 역할별 병렬 진행, W4~W6은 전원 통합. 예비일은 W4~W6에 분산 배치.

 

 

7.3 마일스톤 상세

마일스톤	시점	성공 기준
M1: 개별 모듈 동작	W2 종료 (5/29)	리더 단독 픽업 성공, 팔로워 1대 주행 성공, 센서값이 웹에 표시
M2: 서브시스템 연동	W3 종료 (6/5)	팔로워가 리더를 추종 성공, FSM 1회 동작 확인
M3: 전체 시나리오 1회	W4 종료 (6/12)	대기→검출→피킹→분류→투하→이탈→복귀 전체 1회 성공
M4: 안정성 확보	W5 종료 (6/19)	동일 시나리오 10회 중 7회 이상 성공
M5: 최종 완성	W6 종료 (6/26)	10회 중 9회 이상 성공, 발표 영상 컷 확보
M6: 산출물	W7 종료 (6/30)	영상 편집 완료, PPT 마무리, 리허설 완료

 

 

 

8. 리스크 관리

8.1 핵심 부품 호환성 우선 검증 (W1)

W1(1주차, 5/20~5/22)에 다음 핵심 부품의 호환성을 최우선으로 검증한다. 검증 실패 시 즉시 대안으로 전환하여 일정 지연을 방지한다.

검증 대상	검증 내용	실패 시 대안
OpenManipulator-X + TurtleBot3	MoveIt 연동, 그리퍼 동작, 탁구공 피킹 가능 여부	그리퍼 단순화 또는 더 큰 물체(스티로폼 큐브)로 변경
ESP32-CAM (팔로워 카메라)	영상 처리 성능, ArUco 인식 속도	IR 마커 추종으로 전환 (광센서 좌우 비교 방식)
ESP-01 + MQTT 통신	Wi-Fi 연결 안정성, MQTT 메시지 지연	보유 재고로 즉시 테스트 가능

 

원칙: 고성능 방식이 불가능할 경우, 미리 정의해둔 저성능 또는 제거 옵션으로 즉시 전환한다. 이전 프로젝트(PURE)에서 미세먼지 모듈의 호환성 문제로 시간을 소모한 경험을 반영하여, 이번에는 W1에 핵심 부품 검증을 최우선으로 배치하였다.

 

 

8.2 리스크별 대응 (저성능/제거 옵션)

리스크	영향도	대응 (저성능 옵션)	대응 (제거 옵션)
로봇팔 픽업 정밀도 부족	높음	그리퍼 단순화, 더 큰 물체로 변경	수동 투입 후 운반만 자동화
팔로워 카메라 처리 한계	중간	IR 마커 추종 (광센서 좌우 비교)	카메라 제거, 순수 IR만 사용
라인트레이싱 정확도 부족	중간	트랙 폭 확대, 속도 저감	시간 기반 이동 (고정 시간 직진)
YOLO 학습 데이터 부족	중간	색상 기반 검출 (HSV 필터링)	HSV만으로 전체 분류
다중 팔로워 충돌	높음	팔로워 1대로 축소 시연	시뮬레이션으로 다중 시연 대체
Spring Boot 외부 접속 실패	낮음	ngrok 대신 로컬망 시연	-
WebSocket 미적용	낮음	HTTP 폴링 유지 (PURE와 동일)	폴링으로 충분

 

8.3 하드웨어 병목 분석 및 소프트웨어 해결 전략

본 프로젝트는 교육용 하드웨어(TurtleBot3 Waffle Pi, Arduino UNO)를 사용하므로, 산업용 장비 대비 연산·전원·통신에서 병목이 발생할 수 있다. 추가 부품 구매 없이 소프트웨어적으로 해결하는 전략을 사전에 수립한다.

8.3.1 Raspberry Pi 4B 연산 한계 — 노드 분산 전략

TurtleBot3 Waffle Pi에 탑재된 Raspberry Pi 4B(4GB RAM)는 SLAM + Nav2만으로도 CPU 점유율이 60~80%에 달한다. 여기에 MoveIt(로봇팔 모션 플래닝)과 YOLO(객체 탐지)를 동시에 실행하면 메모리 부족과 프레임 드롭이 발생한다.

작업	Pi 4B 부하	단독 실행 가능 여부
SLAM Toolbox	CPU 20~30%	가능
Nav2 (costmap + planner)	CPU 30~50%	가능 (SLAM과 동시 시 한계)
MoveIt2 (모션 플래닝)	CPU 40~60%, RAM 1GB+	단독은 가능, Nav2와 동시 불가
YOLO v8n 추론	CPU 100%, 2~3 FPS	Pi에서 실시간 불가
카메라 + OpenCV	CPU 15~25%	해상도 320x240이면 감당

 

소프트웨어 해결 전략 — ROS2 리모트 노드 분산:

ROS2 DDS(Data Distribution Service)는 네트워크상의 여러 머신에서 노드를 분산 실행할 수 있다. 같은 Wi-Fi 네트워크에서 ROS_DOMAIN_ID만 일치하면 자동으로 노드가 발견(Discovery)되므로, 추가 설정 없이 연산을 분리할 수 있다. 이전 PURE 프로젝트에서도 이 방식을 사용하였다.

실행 위치	담당 노드	이유
Raspberry Pi 4B (TurtleBot3 내장)	turtlebot3_bringup (모터, LiDAR, IMU)	하드웨어 직접 제어는 로봇 내부에서만 가능
Ubuntu PC (원격)	SLAM Toolbox Nav2 (planner + costmap) MoveIt2 (로봇팔 플래닝) YOLO 추론 노드 Task Manager (FSM) MQTT 브리지 ArUco 인식	CPU/RAM 집약적 연산은 PC에서 처리. SSH로 Pi bringup 후 PC에서 나머지 전부 실행

구현 방법: launch 파일에서 SSH를 통해 Pi의 bringup 노드를 원격 실행하고, PC 측에서 나머지 모든 노드를 실행한다. PURE 프로젝트의 air_clean_all.launch.py가 이 구조를 이미 구현해두었으므로, 동일한 패턴을 재사용한다.

 

8.3.2 전원 관리 — 동시 부하 회피 소프트웨어 시퀀싱

TurtleBot3 내장 배터리(11.1V LiPo, 1800mAh)는 주행 시 약 2A를 소비한다. OpenManipulator-X의 Dynamixel 서보 4개가 동시 구동되면 피크 3A까지 소비하므로, 주행과 피킹을 동시에 수행하면 전압 강하로 Raspberry Pi가 재부팅될 위험이 있다. 팔로워의 ESP-01도 Wi-Fi 전송 시 순간 300mA 피크가 발생하여 Arduino의 3.3V 레귤레이터에 부담을 준다.

소프트웨어 해결 전략 — 동작 시퀀싱(동시 부하 금지):

FSM(상태 머신)에서 주행과 로봇팔 동작이 동시에 실행되지 않도록 상태를 분리한다. 즉, "이동 중에는 팔을 접고 고정" / "피킹 중에는 바퀴를 정지"하는 배타적 실행 원칙을 적용한다.

FSM 상태	주행 모터	로봇팔 서보	전류 합계 (예상)	안전 여부
IDLE (대기)	정지	접힘 (토크 OFF)	~0.3A	안전
이동 중 (Nav2)	구동 (~2A)	접힘 (토크 OFF)	~2.3A	안전
DETECT (검출)	정지	접힘 (토크 OFF)	~0.5A	안전
PICK (피킹)	정지	구동 (~3A 피크)	~3.3A	주행 정지로 안전
DROP (투하)	미세이동 (~0.5A)	구동 (~1.5A)	~2.0A	저속이라 안전

추가 소프트웨어 보호 조치:

·        배터리 전압 모니터링: TurtleBot3의 /battery_state 토픽을 Task Manager가 구독하여, 전압이 10.5V 이하로 떨어지면 피킹 동작을 중단하고 대기 상태로 전환한다.

·        Dynamixel 토크 OFF: 팔을 사용하지 않는 상태(이동, 대기)에서는 서보 토크를 꺼서 전류 소비를 최소화한다.

·        팔로워 ESP-01 전송 간격 조절: MQTT 발행 주기를 2~3초로 제한하여 Wi-Fi 전송 피크를 분산한다. 명령 수신(Subscribe)은 항상 대기하되, 발행(Publish)은 타이머로 제어한다.

8.3.3 통신 안정성 — ESP-01 MQTT 재연결 및 QoS 전략

ESP-01(ESP8266)은 저가 Wi-Fi 모듈로, TCP 연결이 불안정하여 MQTT 브로커와의 연결이 수시로 끊길 수 있다. 특히 팔로워 2대 + TurtleBot3 + Ubuntu PC + 스마트폰이 같은 공유기에 접속하면 채널 경합으로 패킷 손실이 증가한다.

소프트웨어 해결 전략:

(1) Arduino 스케치 — 자동 재연결 로직:

ESP-01의 MQTT 클라이언트(Eclipse Paho)에 연결 끊김 감지 + 자동 재연결 루프를 구현한다. 연결이 끊어지면 3초 간격으로 최대 10회 재연결을 시도하고, 재연결 중에는 모터를 정지하여 안전을 확보한다. PURE 프로젝트에서 이미 이 패턴을 사용했으므로 코드를 재활용할 수 있다.

(2) MQTT QoS 레벨 전략:

메시지 유형	QoS	이유
팔로워 센서 데이터 (주기적 발행)	QoS 0 (최대 1회)	손실되어도 다음 주기에 재전송. 대역폭 절약 우선.
팔로워 명령 (GO/STOP)	QoS 1 (최소 1회)	명령 손실 시 팔로워가 멈추지 않으므로 반드시 전달 보장.
웹 원격 명령	QoS 1 (최소 1회)	사용자 의도가 반영되어야 하므로 전달 보장.

 

 

 

(3) Last Will and Testament (LWT) 설정:

ESP-01이 비정상 연결 해제될 경우, MQTT 브로커가 자동으로 "팔로워 오프라인" 메시지를 발행하도록 LWT(유언 메시지)를 설정한다. Task Manager는 이 메시지를 수신하면 해당 팔로워에 대한 투하 명령을 보류하고, 웹 대시보드에 경고를 표시한다.

(4) 네트워크 부하 분산:

·        MQTT 메시지 페이로드를 최소화한다. JSON 대신 짧은 문자열("GO", "STOP", "3/5") 사용을 기본으로 하고, 상세 데이터는 웹 API 폴링으로 분리한다.

·        카메라 영상은 Wi-Fi로 스트리밍하지 않는다. USB로 PC에 직결하거나, Pi에서 처리 후 결과(좌표, 클래스명)만 토픽으로 발행한다.

·        팔로워 2대의 MQTT 발행 타이밍을 엇갈리게 설정(팔로워1: 0초, 2초, 4초... / 팔로워2: 1초, 3초, 5초...)하여 동시 전송 충돌을 방지한다.

 

 

9. 기대효과

9.1 산업적 효과

본 프로젝트가 실제 산업 현장에 도입될 경우, 다음과 같은 효과를 기대할 수 있다.

·        로봇팔 비용 절감: 고가 로봇팔 1대 + 저가 팔로워 N대 구성으로 초기 투자 비용을 대폭 절감한다.

·        레이아웃 유연성: 컨베이어 없이 로봇이 직접 이동하므로 공정 변경 시 즉각 대응 가능하다.

·        확장 용이성: 처리량 증가 시 팔로워만 추가하면 되므로, 점진적 확장이 가능하다.

·        낙후 환경 도입 가능: 고가 설비를 도입할 여력이 없는 중소 물류센터, 낙후된 창고, 소규모 제조 현장에서도 저비용으로 자동화를 도입할 수 있다. 이는 산업 자동화의 진입 장벽을 낮추는 효과가 있다.

9.2 범용성

"리더 1대 + 팔로워 N대" 아키텍처는 특정 산업에 종속되지 않는 범용 패턴이다. 물류센터의 피킹·운반부터, 트럭 군집주행(미국·유럽 장거리 물류), 공항 수하물 운반, 농업 수확물 운반, 병원·호텔 물품 배송까지 동일한 아키텍처로 적용할 수 있다. 리더의 작업(피킹 → 수확 → 분류 등)만 교체하면 팔로워의 운반 역할은 그대로 유지된다.

9.3 교육적 가치

본 프로젝트는 부트캠프 전 과정(STEP 1~6)에서 배운 기술을 하나의 시스템으로 통합하는 최종 프로젝트이다.

·        ROS2 + 자율주행 + 로봇팔 + 컴퓨터 비전 + IoT + 웹 — 6개 기술 영역의 완전 통합

·        MQTT 기반 이기종 시스템 통합 설계 경험

·        다중 로봇 협업 시스템 구현 경험

·        YOLO 커스텀 학습 및 실시간 추론 경험

·        하드웨어(Arduino 차체 제작) + 소프트웨어(ROS2/Spring Boot) 풀스택 경험

 

 

10. 마무리

10.1 보충할 점 / 향후 발전 방향

본 기획 단계에서 확정하지 못한 사항과, 프로젝트 완료 후 발전시킬 수 있는 방향을 정리한다.

기획 단계 보충 필요 사항:

·        본인 역할 확정: 팀 합의 후 A/B/C/D 중 배정 확정

·        YOLO 학습 데이터: 탁구공 데이터셋 수집 및 Roboflow 학습 계획 구체화

·        팔로워 상자 규격: 적재 가능 물체 크기 및 개수 확정

·        ESP32-CAM vs IR 센서: W1 검증 후 팔로워 추종 방식 최종 결정

향후 발전 방향:

·        팔로워 대수 확장: 3대 이상 군집으로 확장하여 대규모 운반 시연

·        딥러닝 기반 물체 분류: 색상뿐 아니라 형태·재질 기반 분류로 고도화

·        WebSocket 실시간 통신: HTTP 폴링을 WebSocket으로 전환하여 반응속도 개선

·        자동 충전 도킹: 팔로워의 배터리 잔량 감지 + 충전 스테이션 자동 도킹

·        ROS2 다중 로봇 네임스페이스: 팔로워도 ROS2 노드로 전환하여 완전한 ROS2 기반 군집 시스템 구현

·        실제 산업 현장 적용: 교육용을 넘어 실제 중소 물류센터 파일럿 운영

 

— 끝 —