최근 물류센터는 설비와 장비 중심의 웨어하우스에서 AI, 클라우드, 빅데이터 등 DX신기술 기반의 디지털 웨어하우스로 전환되고 있다. 자동화·지능화된 물류센터는 AI, 데이터를 기반으로 운영돼 기존의 물리적인 한계를 극복하고 빠른 배송을 가능케 한다. 학습과 경험으로 누적된 데이터와 고도화된 알고리즘으로 생산성도 높인다.(그림1)

스마트물류에서 AI의 활용도가 높은 △로봇 제어, △예측 분석 및 재고 관리, △이동 경로 최적화, △상품 분류, △품질 검사 분야의 사례를 토대로 앞으로의 발전 방향을 고민해야할 시점이다. 미래에는 생성형 AI 기반의 물류센터 운영도 가능해질 것이다.

■ AI 기반 스마트물류 구현 사례
1. 로봇 제어
물류 과정에서 사람 손이 많이 가는 작업 중 하나가 상품을 집는 피킹(Picking)이다. 딥러닝 비전(Vision)과 강화학습 알고리즘을 활용한 AI 피킹 로봇으로 다양한 형태의 상품을 처리하기 위해 준비하는 시간을 단축할 수 있다. 먼저 3D Vision 카메라로 3D 포인트 클라우드 데이터를 생성한다. △관심영역 필터, △특징추출, △다운샘플링, △세분화 등을 거쳐 상품을 인식하고 로봇의 이동 경로 계획을 수립한다. 로봇-카메라 보정(Robot Camera Calibration)과 강화학습 모델 기반의 피킹 포인트 선정으로 보다 정확한 피킹을 구현한다.(그림2)

여기에 생성형 AI가 적용되면 로봇의 티칭(Teaching)과 제어(Control)도 기존과 같은 프로그래밍이나 물리적인 조작 없이 손쉽게 할 수 있으며, 작업 대상물이나 프로세스의 변화에 유연하게 대응할 수 있게 된다. 마이크로소프트 연구팀에 따르면 앞으로는 IT나 로봇 전문가가 아니어도 누구나 자연어로 생성형 AI를 사용해 로봇을 동작하고 제어할 수 있게 된다. 즉, 생성형 AI가 사용자와 대화하며 다양한 사용 목적에 맞게 코드를 생성하고 로봇을 제어하게 된다. 말 그대로 로봇과 대화하며 공장이나 물류센터에서 협업하는 일이 가능해진 것이다.(그림3)

2. 예측 분석 및 재고 관리
AI를 활용한 공급 관리 시스템은 재고창고, 물류센터 등에서 적정 재고유지와 폐기율을 최소화하기 위해 필수적이다. 대량의 주문과 입고가 다량으로 발생하는 물류 특성상 AI기반의 예측과 분석을 통해 재고 관리 비용을 절감할 수 있다. 먼저 데이터를 기반으로 네트워크 구성 최적화 모델을 발굴해 최적 거점을 도출한다. 데이터분석 자동화(AutoML) 솔루션 H2O를 활용해 상품 판매 데이터를 학습시켜 거점별 수요 예측 모델을 구현한다. 구현된 모델로 거점별 화주사, SKU별 출고량 예측 결과를 활용해 재고 최적화를 구현할 수 있다.(그림4)

운영사 측면에서는 거점별 상품 출고 데이터를 분석해 SKU별 적정 입고 수량을 예측하고, 이를 기반으로 출고량을 예측해 미출·과잉 재고 이슈를 방지할 수 있다. 화주사 입장에서는 거점별 상품 보충을 최적화하고 재고 회전율을 높여 사업 수익성을 극대화할 수 있다.

3. 이동 경로 최적화
주문 이후 출하 생산성을 높이기 위해서는 최적 이송 경로 알고리즘을 적용해 무인운송로봇(AGV) 운영 및 배송 경로 최적화를 구현할 수 있다. 고객의 주문을 가장 효율적으로 피킹할 수 있는 AGV를 선정하고 작업을 할당한다. 이어 AGV 별 최적 운행 경로를 결정하고 신속한 피킹을 수행 한다.(그림5)

AGV간 간섭을 최소화하고 교착을 방지할 수 있는 운행경로 최적화가 가능하다. 출하 후 최적 배송경로 도출을 위해 정적 방해물 정보, 동적 정보 기반 최적의 배송 루트를 선정하고, 실시간 교통상황 반영한 최적 배송 경로를 추천한다. 배송 물량을 차량에 적재 시 AI가 배송 순서와 물량을 분석해 적재 순서를 최적화한다. 도로 데이터와 이전 배송 정보에 실시간 상황이 반영돼 최적의 배송 경로를 추천하게 되는 방식이다. 최소화된 경로를 통한 배송시간 단축으로 비용절감 및 처리량 증대를 기대할 수 있다.

4. 상품 분류
지능형 화물 자동 분류는 AI 딥러닝으로 이미지 크기와 형상을 자동 판정하는 기술이다. 물류창고 상황에 맞게 분류 기준을 조정하고 현장에서 AI 분류모델을 학습해 적용한다. 프로세스는 △카메라를 통해 체적 측정, △실제 사이즈 바탕의 이미지 절단, △화물 유형을 파악해 AI로 분류 등이다. 이러한 AI 판정 및 분류 기술은 상품 분류 정확도를 향상시키고 운영 인건비를 절감할 수 있어 다양한 산업분야에서 적용될 수 있다.(그림6)

5. 상품 검수
AI 딥러닝으로 수작업에 의존하던 상품 발송전 검수 프로세스도 자동화할 수 있다. 주요 적용 기술은 △물체검출(Object Detection) △배경분리(Global Context-Aware Progressive Aggregation Network for Salient Object Detection) △특징추출(Combination of Multiple Global Descriptors for Image Retrieval) △상품검색 및 분류(Classfication) 등이 있다.(그림7)