2023년 건설 로보틱스 비지니스 동향

이 글은 2023년 건설 로보틱스 비지니스 동향을 간략히 나눔한다. 

컨테크 50 영상

2050년까지 지구상에는 20억 명의 인구가 더 증가될 것으로 예상된다. 이런 요구를 충족하기 위해, 인류는 이후 30년 동안 매일 약 13,000개의 구조물을 건설해야 한다.

이런 문제는 AI와 로봇 공학이 건설 방법을 혁신할 수 있는 기회가 있음을 의미한다. 로봇 공학 자동화 스타트업 기업을 위한 보스턴 혁신 허브인 MassRobotics는 비전을 가속화하기 위해 5년 전에 출범했다. 현재 공유 사무실 및 실험실 공간에 50개 이상의 회사가 상주하고 있다. 아울러, 동부 해안에 350개의 로봇 회사 클러스터를 육성하고, 전 세계 스타트업과 협력하도록 확장했다. 

MassRobotics는 Autodesk Technology Centers 와 공동으로 Robotics In Construction을 개최했다(2020.11.12). 이러한 행사를 통해, 콘테크에 필요한 기술을 시장에 제안했다.

성숙된 디지털 기술 활용

드론

건설 관리, 계획 및 설계 회사인 Connolly Brothers 의 CEO인 Jay Connolly 와 Jay Connolly에 따르면 지붕, 파이프 등의 항공 검사에 드론을 사용하는 것이 일반적이라 말한다. 보스턴 지역 상업용 부동산 회사인 Cummings Properties 의 부서장인 Dan Linscott 은 드론 검사를 "게임 체인저"라고 부른다. 

OSC

시공 시 외부사전제작을 채택한다. 사전제작은 통제된 환경에서 이루어지기 때문에, 시간과 비용을 절약할 수 있을 뿐만 아니라, 작업자의 안전을 높일 수 있다. Autodesk Construction Solutions의 부사장 겸 총괄 책임자인 Jim Lynch는 이것이 건축 환경 요소를 만드는 데, 고급 제조 기술을 적용하는 "건설 산업화"의 일부라고 설명했다. 특히, 적층 제조 및 용접과 같은 작업 자동화 기술에서 로봇 공학의 효율성, 정밀도 및 데이터 수집 기능을 활용한다.

클라우드 기반 협업

건설 회사는 클라우드 플랫폼을 사용하여, 프로세스를 디지털화하고, 설계에서 운영에 이르는 워크플로를 통합할 수 있다. 이를 통해, 클라우드 플랫폼의 클라우드 컴퓨팅 AI가 예측 분석 및 위험 완화를 수행할 수 있다.

인공지능

스칸스카는 스웨덴에 본사를 둔 글로벌 건설 관리 및 개발 회사이다. Skanska USA의 혁신 서비스 이사인 Mike Zeppieri는 회사 디지털화 전략을 추진하기 위한 노력의 일환으로 BIM 및 VDC(가상 설계 및 건설)를 Skanska에 도입한 그룹에서 일하고 있다. 

Zeppieri의 그룹은 데이터 분석, 리얼리티 캡처, 산업화된 건설, 드론 및 로봇 공학과 같이 건설 디지털 기술을 탐색한다. 그는 그들이 안전, 생명 보호, 지속 가능성과 같은 Skanska의 핵심 가치 중 일부를 시행할 수 있는 로봇 공학에 특히 관심이 있다고 말한다. 여기에는 신체의 물리적 피해를 줄임으로써, 전문성과 능력을 향상시키는 외골격 로봇 공학이 포함된다.

사례

• Ascend Robotics: 자율 정밀 코팅 및 스프레이 페인팅 시스템
• Dephy: 산업용 외골격 
• FLX Solutions: 뱀 모양의 직경 1인치 FLX BOT 개발. 맞춤형 작업 검사를 수행
• Hyperion Robotics: 콘크리트 3D 프린팅 제공
• NeXtera Robotics: 레이저 스캐닝, 산업용 로봇용 운영 체제 개발
• Vita Inclinata: 크레인 운전 제어 시스템
• Watertower Robotics: 수도관 검사하는 소프트 로봇.

레퍼런스

• www.youtube.com/@cemexventures2020/videos
• www.youtube.com/@ConstructechTV/videos
• nexterarobotics.com
• intelligent-city.com
• www.massrobotics.org
• ascendrobotics.com
• dephy.com/
• www.flxsolutions.com/
• www.hyperionrobotics.com/
• www.vitatech.co/
• watchtowerrobotics.com/
• constructionblog.autodesk.com/adopt-ai-robotics-construction/
• https://www.constructiondive.com/news/contech-firm-built-robotics-acquires-roin-eyes-expansion/641757/
• https://www.startus-insights.com/innovators-guide/discover-5-top-construction-robotics-solutions/
• https://www.dustyrobotics.com/
• https://readsitenews.com/construction-robot-company-raises-20m-in-series-a-funding/
• https://www.rock-robotics.org/
• https://karelics.fi/
• https://formant.io/

디지털트윈 컨소시엄, 디지털트윈 정의언어와 리얼리티 캡쳐 기술 소개

이 글은 디지털트윈 컨소시엄, 디지털트윈 기술언어 및 리얼리티 캡쳐 기술을 간단히 소개한다. 디지털트윈 컨소시엄(DTC)은 디지털트윈 기술을 발굴하고, 적용하기 위해 노력하는 해외 산학연 연합체이다. DTC는 2020년 5월 Ansys, Autodesk, Bentley Systems, GE, Dell, Northrop Grumman, Microsoft 등에 의해서 설립되었고, OMG(Object Management Group)이 파트너 기업으로 참여했다. 디지털트윈 기술언어는 물리세계와 디지털세계의 데이터를 교환, 상호연결하기 위한 표준이다. 리얼리티 캡쳐는 디지털트윈 플랫폼 위에 공간정보를 디지털화된 모델로 표현할 수 있는 도구이다. 

디지털트윈 컨소시엄 소개

DTC은 디지털트윈 기술을 확인하고, 채택하며, 상호운용성 기술 개발을 주도한다. DTC는 산학연 협력 파트너십을 통해, 디지털트윈 프레임웍, 아키텍처, 기술언어 및 도구 등 기술을 개발한다.

디지털트윈 시스템 아키텍처 개념도(DTC)

디지털트윈을 표현하는 모델은 다음 그림과 같이 구조화된 데이터 정보, 데이터 분석 및 예측에 필요한 알고리즘을 정의할 수 있어야 한다. DTC는 이런 부분들을 아키텍처 정의에 고려한다. 

디지털 모델 표현(DTC)

DTC는 디지털트윈 구현에 도움이 되는 다양한 기술을 개발하고 있다. 그 중 하나가 DTDL (Digital Twins Definition Language)이다. DTDL은 물리세계와 디지털세계 간의 데이터를 교환하기 위한 디지털트윈 정의언어이다. DTDL은 DTC 깃허브에서 오픈소스로 제공하고 있다.

디지털컨소시엄 github(github.com/digitaltwinconsortium)

컨소시엄은 디지털트윈에 관심이 있는 비즈니스, 조직, 단체로 구성된다. Digital Twin Consortium은 Object Management Group의 일부로서 활동한다. 참고로, OMG는 객체지향모델링 표준언어이자, ISO 국제표준 기술언어인 UML(Unified Modeling Language)를 관리하고 있다.

컨소시엄 리더 일부(GE, 마이크로소프트 등)

DTC 소개 영상

디지털트윈 모델을 묘사하는 정의언어(DTDL)

DTDL은 디지털 트윈 모델 및 인터페이스를 기술하는 언어이다. 디지털 트윈은 공간, IoT 객체, 사물 등 특정 솔루션에 사용되는 물리적 환경의 엔티티(entity)를 디지털로 정의한 모델이다. 그러므로, 이를 묘사할 수 있는 컴퓨터가 처리가능한 기술언어가 필요하다. DTDL을 사용해, 디지털 트윈의 기능을 기술하면, IoT 플랫폼, 솔루션이 엔터티의 의미체계를 기계적으로 해석할 수 있다. 

Microsoft는 컨소시엄에서 DTDL 기술을 주도적으로 개발하고 있다. DTDL은 JSON-LD(JSON for Linking Data) 및 RDF(Resource Description Framework)와 같은 개방형 W3C 표준을 기반으로 한다. JSON-LD를 기반으로 DTDL이 개발되었으므로, DTDL은 온톨로지 개념을 그대로 물려받는다. 참고로, JSON-LD는 Schema.org, 구글 지식 그래프 데이터베이스 등 유명 검색 엔진에서 사용된다. 

이를 기반으로, IoT 플러그 앤 플레이(PnP) 기능을 구현할 수 있다. PnP 기능 구현을 위해서는 데이터 스키마 정의(펌웨어 버전, 속성, 설정값), 원격 모니터링(센서 판독값, 경고 이벤트 등), 장치가 수신할 수 있는 명령(예. 재부팅) 정보를 디지털트윈 플랫폼과 상호운영할 수 있어야 한다. IoT PnP 동작은 DTDL V2로 정의될 수 있다. 

다음은 간단한 읽기 전용 속성을 정의한 DTDL이다. 여기에는 DTDL이 사용되는 컨텍스트, id, type이 정의되어 있고, 여기에, 교환될 데이터 컨텐츠의 유형, 이름 및 스키마가 포함된다. 네이밍 구조는 ':'로 구분된다. 이 예는 온도센서가 연결된 IoT 장치를 디지털트윈 플랫폼과 PnP할 수 있다.

{

  "@context": "dtmi:dtdl:context;2",

  "@id": "dtmi:example: Thermostat;1",

  "@type": "Interface",

  "contents": [

    {

      "@type": "Property",

      "name": "temperature",

      "schema": "double"

    }

  ]

}

물리세계에 있는 데이터는 PnP된 플랫폼에 다음과 같은 센서값을 전달해 줄 수 있다.

"reported" :

{

  "temperature" : 21.3

}

이와 반대로, 디지털 세계에서 물리 세계로 값을 전달해 주는 방법도 있다. 예를 들어, 백엔드(back-end) 어플리케이션에서 장치로 데이터를 전달해 주고자 할 때 DTDL은 value, ac, av, ad란 속성을 사용할 수 있다.

• value - 속성 값
• ac - HTTP 상태를 사용하는 확인 코드 
• av - 원하는 속성 $version을 참조하는 승인 버전
• ad - 선택적 확인 설명

예를 들어, 물리적 온도 환경을 변화시키는 스마트 전열기 IoT 장치에 목표 온도값을 전달하는 DTDL의 유스케이스 시나리오를 상상해 보자. 물리적 환경은 아날로그 상태이므로, 온도를 목표값으로 변화시키는 데 시간이 걸린다. 이를 고려해, 물리 세계에 설치된 장치가 디지털트윈의 디지털세계와 동기화하기 위한 상태 변화값을 알려줄 수 있어야 한다.

초기 단계에서는 스마트 전열기에서 다음과 같이 디지털트윈 플랫폼으로 리포트될 수 있다. 여기서 ac 상태코드는 203으로 장치에 이 목표값으로 온도를 설정하겠다는 선언을 한 것을 확인했음을 의미한다(참고. HTTP 상태 코드). 

"reported": {

  "targetTemperature": {

    "value": 20.0,

    "ac": 203,

    "av": 0,

    "ad": "initialize"

  }

}

다음 단계에서 물리세계에 있는 해당 IoT 장치는 온도를 올리고 있는 중이라 디지털트윈 플랫폼에 알려줄 수 있다. 이를 통해, 디지털 모델에 온도값이 상승하고 있음을 데쉬보드나 컬러스키마 등으로 렌더링할 수 있다.

"reported": {

  "targetTemperature": {

    "value": 35.0,

    "ac": 202,

    "av": 3,

    "ad": "In-progress - reporting current temperature"

  }

}

IoT 장치가 목표 온도까지 도달했다면, 다음과 같이 도달했음을 알리는 리포트를 디지털트윈 플랫폼에 알려줄 수 있다.

"reported": {

  "targetTemperature": {

    "value": 20.0,

    "ac": 200,

    "av": 4,

    "ad": "Reached target temperature"

  }

}

DTDL은 디지털트윈 플랫폼에서 관리되므로, 이를 편하게 CRUD(Create, Read, Update, Delete)할 수 있도록, 마이크로소프트에서는 관련 파이썬 라이브러리를 제공한다. 

• Python용 Digital Twin Core Library: learn.microsoft.com/en-us/python/api/overview/azure/digitaltwins-core-readme

다음은 이곳에서 제공한 파이썬 라이브러리를 이용해, 디지털트윈 플랫폼에 디지털트윈 모델을 생성, 리스트 및 정보를 얻는 코드의 예시이다.

digital_twin_id = 'digitalTwin-' + str(uuid.uuid4())

temporary_twin = {

    "$metadata": {

        "$model": model_id

    },

    "$dtId": digital_twin_id,

    "Prop1": 42

}

created_twin = service_client.upsert_digital_twin(digital_twin_id, temporary_twin)

print('Created Digital Twin:')

print(created_twin)

listed_models = service_client.list_models()

for model in listed_models:

    print(model)

get_model = service_client.get_model(model_id)

print('Get Model:')

print(get_model)

디지털트윈과 리얼리티 캡쳐(Reality Capture)의 관계

디지털트윈은 공간정보모델를 이용해 시너지효과를 얻을 수 있다. 예를 들어, 위치정보가 포함된 IoT 데이터는 시설물 관리 등에 편리하게 사용될 수 있다. 이런 이유로, 공간 데이터를 캡쳐할 수 있는 리얼리티 캡쳐 기술은 디지털트윈에서 핵심적인 기술 중 하나가 되었다. 

리얼리티 캡처 기술은 지난 20년 동안 빠르게 발전했다. 2000년 당시 레이저 스캐닝이라고 불리는 리얼리티 캡처는 100,000달러가 넘는 부피가 큰 스캔 장비였다. 지금은, 1,000달러 미만 휴대폰, 상업용 카메라로 간단한 스캔 데이터(3차원 포인트 클라우드)를 만들 수 있다. 스캐닝이 더 저렴하고 접근성이 높아졌지만, 산출물의 품질은 엔지니어링 전문가, 하드웨어와 소프트웨어에 크게 의존한다. 

장치로부터 수집된 데이터의 디지털트윈 표현

리얼리티 캡쳐는 수집 시간, 수집 범위 및 밀도에 따라 다음과 같은 어플리케이션 영역으로 구분될 수 있다.

리얼리티 캡쳐의 어플리케이션 영역

리얼리티 캡쳐 성숙도 모델

리얼리티 캡쳐 데이터는 많은 유용한 정보를 포함할 수 있지만, 그 만큼 높은 수집, 분석 및 처리 비용이 필요하다. 이런 3차원 데이터를 처리, 분석하기 위해서는 인공지능, 3차원 비전, 역설계 등 도구가 사용될 수 있다. 이 과정에서 다양한 상업용, 오픈소스 도구 등이 사용되어, 3차원 데이터를 가공, 처리한다. 3차원 데이터 품질 검수에 대한 프로세스는 별개로 사전에 정의한 후 발주품 체크 단계에서 확인할수 있어야 한다. 3차원 데이터는 3차원 모델이 포함된 공간정보로 표현되어 사용될 수 있다. 이 경우, 요구사항에 따른 LoD(Level of Detail)은 사전 정의되어 있어야 한다. 이와 관련된 좀 더 상세한 지침이나 내용은 아래 링크를 참고 하길 바란다. 

• 참고 레퍼런스 - 3차원 스캔, 비전, 역설계 (CIR 출판사)

로보틱스 기술을 이용해, 반복적인 리얼리티 캡쳐 작업을 자동화할 수도 있다. 다음은 로보틱스 기반 스캔 및 역설계 개념을 보여주는 참고 영상이다. 

3차원 스캔 및 역설계 기술 예시

디지털트윈 모델에 물리세계에서 캡쳐된 3차원 공간정보를 사용하려 할 때는 이런 점들을 고려할 필요가 있다.

DTDL기반 빌딩운영체제, ProptechOS 개발 사례

DTDL 기반 개발 사례를 간단히 분석해 보기 위해, 상업용 부동산을 관리하기 위한, BOS(Building Operation System) 디지털 트윈 기술 구현 사례를 조사해 본다.

빌딩 운영 체제(BOS)는 IT 관리자가 통찰력을 얻을 수 있는 데이터를 기반으로, 운영 효율성, 환경 인증, 거주자 서비스 등을 위한 서비스 개발에 집중할 수 있는 기능을 제공할 수 있어야 한다. 이와 관련해, Smart Buildings DTDL가 RealEstateCore 온톨로지 구조를 기반으로 개발되었으며, 이 DTDL이 BOS와 ProptechOS를 개발하는 데 사용되었다. 

RealEstateCore 지원 Smart Building Ontology 개념(Alina Stanciu, 2021.2, RealEstateCore, a smart building ontology for digital twins, is now available)

BOS는 다음과 같은 핵심 기능을 제공한다.

• 데이터: 기본 데이터(도면, BIM, BMS-Building Management System Tag List),  RealEstateCore 기반 지식 그래프, 실시간 원격 측정, 과거 이력 데이터 등 교환
• 애플리케이션: 데이터 인사이트, 프로세스 최적화, 업무 자동화, 서비스 앱 제공
• 확장성: SDK(Software Development Kit), API(Application Program Interface) 제공

이러한, 디지털 트윈용 운영 체제는 비지니스 요구사항에 따라 달라진다. ProptechOS는 빌딩 관리 요구사항 관점에서 개발된 운영체제이다. 

ProptechOS(Building Operating System for real estates)

ProptechOS 소개 영상 (참고)

ProptechOS는 빌딩 공간정보를 사용하기 위해, 건물정보모델(BIM. Building Information Modeling)을 사용한다. BIM은 건물 설계, 계획, 시공, 운영, 폐기 등 전생애주기 단계를 지원하기 위해 건물을 디지털화된 도면으로 정의한 모델이다. 하지만, BIM은 건물의 운영 속성에 대한 정보가 거의 포함되지 않다. BIM은 추가 비용과 노력없이 비즈니스 요구 사항에 따른 데이터 기반 애플리케이션을 개발할 수 없다는 점은 프로젝트 진행 시 고려해야 한다. 이외, BIM을 사용할 때 고려사항은 다음과 같다.

• BIM 모델 형식: 파일 형식은 여러 가지가 있다. 일반적으로 기존 BIM 모델을 디지털 방식으로 재사용하기 전에 수행해야 하는 변환작업이 필요하다. 

• BIM 관리 방식: BIM은 데이터베이스 중심이 아닌 파일 포맷으로 관리된다. 이는 건물에서 발생하는 지속적인 변경 사항을 유지 관리하고, 추적하는 프로세스를 통합하는 데 큰 문제가 된다. 예를 들어, BIM 수정 시, 건축가는 항상 Revit 파일을 열어 수정하고, 관련 데이터를 같이 업데이트해야 한다. 이는 일반적인 데이터베이스 작업보다 많은 비용이 소모되는 번거러운 작업이다.

BOS는 기존 BMS(Building Management System) 솔루션 같이, 레거시 데이터 소스와 연결도 포함되어야 한다. BOS는 모든 유형의 IoT 장치 및 외부 레거시 데이터 소스와 통합을 쉽게 설정할 수 있어야 한다. 아울러, 데이터 보안을 위해, 단일 사인온(sign & login), 2단계 인증(2FA), IT 보안 및 데이터 암호화를 지원할 수 있어야 한다.

BOS에 채택된 표준 온톨로지는 RealEstateCore이다. 부동산 소유자는 RealEstateCore를 사용하여 자신이 운영하는 건물 내 상호 작용되는 데이터와 데이터 관리, 저장 및 공유 방식을 정의할 수 있다. RealEstateCore는 건물에서 발생할 수 있는 데이터의 개념과 관계를 기술하는 데이터 스키마 모음이다. RealEstateCore는 2016년부터 개발되었으며 최근 Microsoft에서 채택되었다. 

마무리

이 글에서 DTC, DTDL 및 리얼리티 캡쳐 기술을 간단히 소개한다. DTC는 해외에서 디지털트윈과 관련된 도구를 개발하고, 배포하는 역할을 하고 있다. DTDL과 리얼리티 캡쳐 기술은 물리 세계와 디지털 세계를 연결하고 묘사하는 데 중요한 컴포넌트 중 일부이다. 

DTC는 마이크로소프트, 밴틀리와 같은 소프트웨어 플랫폼 개발사가 포함되어 있다. 이런 이유로, 자사에 DTDL을 적극 활용하고 있으며, 점차, 사용 사례가 증가하고 있다. 

디지털트윈 서비스 개발 사례(Dale Kehler, 2021, Building the TwinWorX ® platform on Microsoft Azure Digital Twins. Bentley)

기술 아키텍처(Sujay Nandi, 2022.3, Building the digital representation with Digital Twin using Microsoft stack)

디지털트윈에 관한 실제 구현 방법, 표준에 대한 좀 더 상세한 자료는 다음 링크를 참고하기를 바란다.

• 영국 디지털트윈전략
• 디지털트윈 인프라 - 공간정보기술
• 디지털트윈 구현을 위한 오픈소스 기반 IoT, MongoDB, BIM과 Autodesk Forge 연결 개발 방법

디지털트윈은 엔지니어링 분야에서 인공지능과 함께 가장 많이 사용될 도구 중 하나가 될 것이다. 하지만, 너무 과도한 스펙이나, 요구사항에 맞지 않은 개발은 오히려 조직 생산성에 독이 될 수도 있음을 명심해야 한다. 그러므로, 디지털트윈 기반 프로젝트를 진행하는 발주자, 관리자나 실무자는 사용되는 기술들을 잘 이해하고 미리 경험해 볼 필요가 있다. 

프로젝트 이해당사자들은 프로젝트 계획 수행 시 불필요한 작업을 제거하고, 핵심에 집중해야 한다. 프로젝트 참여자들은 요구사항이 어떻게 디지털트윈 기술로 맵핑될 수 있는 지를 명확히 이해하고 있어야 낭비를 줄이고 성공 가능성이 높아질 것이다.

레퍼런스

• 강태욱, 2017, 3차원 스캔, 비전, 역설계, CIR 출판사
• 강태욱, 2011, BIM의 원리, 시공문화사
• Microsoft, Digital Twins Definition Language
• Digital Twin Consortium, Digital Twin Publications
• Digital Twin Consortium, DTML Model Generator
• Digital Twins Core client library for Python - version 1.2.0
• Erik Wallim, 2022.5, How to implement a Digital Twin Building Operating System for Real Estates  (참고)
• ProptechOS, Building Operating System for real estates
• NTT, 2020, The Digital Twin Computing Reference Model
• Bentley, iTwin.js (github)
• Sujay Nandi, 2022.3, Building the digital representation with Digital Twin using Microsoft stack
• Dale Kehler, 2021, Building the TwinWorX ® platform on Microsoft Azure Digital Twins

선구적 토목 설계 기술 CEAL(Civil Engineering Automation Library) 에 대하여 (2018.9)

우리가 인생을 살면서, 살아온날보다 앞으로 살아갈 날이 작다는 것을 인식하게 될 때 쯤, 나는 이 사회에 무엇을 공헌하고, 좋은 기념할만한 작품을 남겼는 지 생각하게 될 때가 있다. 

오늘 개인적으로 알고 있는 Drew Kottke 결혼 기념일이었다. 그 당시 열정으로 가득찬 젊은이였던 그는 지금은 자녀가 장성하였고, 은퇴해 노년을 평화롭게 보내고 있다.

MIT 밀러 교수가 토목 엔지니어링 자동화 분야를 개척하였다면, 그는 CEAL이란 기념비적인 토목 엔지니어링 디자인 소프트웨어를 확산하는 데 주도적인 역할을 하였던 인물이다. 토목을 전공하였으며, 공무원으로 그 당시 시대를 앞선 시스템 도입에 앞장섰던 인물이었다. 

토목 디자인 역사는 매우 오래되어, 40~50년전에 컴퓨터 기반 토목 디자인 자동화 방법론이 확립되고, 이후, 몇십년동안 이를 효과적으로 구현하려는 시도가 업계에서 진행되었다. 

오늘은 그의 결혼 기념일을 기념하며, 그가 시연했던 CEAL 영상과 레퍼런스를 여기에 남긴다.  그 당시에 이런 선진적인 아이디어와 기술을 구현하였다니, 놀라울 뿐이다.  

• CEAL test document

ENR 2018년 미래 건설 기술 (2018.6)

이 글은 ENR(Engineering News-Record)에서 소개한 2018년 미래 기술 관련 내용을 간략히 소개한다. 요약해 보면, 모든 것은 데이터 중심적으로 흘러가고 있으며, 이 노천 광산에서 금맥을 찾고, 발굴하기(데이터 마이닝) 위한 다양한 솔류션이 소개 및 논의되고 있는 중이다. 

인공지능

머신 러닝을 이용해 시공 관리나 탐사 기술을 소개했다.  

컴퓨터 비전

비전 기술을 이용해, BIM(Building Information Modeling)과 조율하고, 일정관리를 하는 기술이 소개되었다. 

데이터 분석

시공 현장에서 획득한 데이터를 머신 러닝을 통해 정보를 분석하고 마이닝하는 기술이 소개되었다. 

리얼리티 캡쳐(reality capture)

실시간 데이터를 캡쳐해 BIM과 연계하는 기술이 소개되었다. 

블록체인

블록체인 기술을 이용해 스마트 건설 계약이나 서비스를 운용하는 사례가 소개되었다. 

증강현실

증강현실을 건설에 활용할 수 있는 방안에 대한 논의가 있었다.

기타, 건설 스타트업체들이 소개되었다. 다음 그림은 이 중 하나이다. 

IoT 기반 건설현장 환경관리

레퍼런스

ENR 2018년 미래 건설 기술 아젠다

ENR 2017년 미래 건설 기술 사례

딥러닝 기반 Scan To BIM 관련 최근 기술 동향 (2017)

몇달치 밀린 연구 행정일들을 대략 정리해 놓고, 잠시 손놓고 있었던 연구 레퍼런스들을 한꺼번에 정리하고 있습니다. 이 글은 Deep Learning 기반 Scan To BIM 관련 최근 기술 연구 동향을 간략히 공유해 봅니다. 

개요

무인 자율 주행, 드론과 같이 비전이 필수적인 영역에서 3차원 스캔 이미지(점군, point cloud) 기반 비전 기술이 급격히 발전 하고 있습니다. 스캔 이미지는 다양한 소스에서 얻을 수 있죠.

• 카메라 RGB 센서
• LiDAR(Light Detection and Ranging)
• RGBD IR 카메라-적외선 센서
• Ultrasonic 등

모두 다른 기술을 사용하지만, 결국 3차원 점군을 얻게 되어 있습니다. 3차원 점군에서 다음과 같은 가치있는 정보를 얻을 수 있죠.

• 대상 객체의 정확한 거리, 위치, 크기
• 객체의 종류 구분
• 객체 형태
• 객체 속성

이 정보를 이용하면 다음과 같은 비니지스 가치를 얻을 수 있습니다.

• 무인 자율 주행 장애물 회피
• 유지관리 및 운영 자동화
• 에이전트 기반 서비스
• 물류 관리 자동화
• 스마트 팩토리
• 리노베이션
• 도시재생 및 재건축
• 농업 
• 산림 및 환경 관리
• 디지털 트랜스포메이션 등

Scan To BIM은 3차원 스캔 이미지에서 BIM(Building Information Modeling) 객체를 맵핑하는 기술입니다. 건설 관점에서 보면, 결국 모든 스캔 데이터는 BIM으로 귀결될 것입니다.

기술 

다음은 RGBD 센서를 이용해 사물을 인식하고, 그에 따른 적절한 동작을 자동화시키는 예제입니다. 인터페이스로 알렉사를 이용했어요.

아래는 딥러닝 기술을 이용해 점군에서 객체를 분류하는 PointNet을 발표한 사례입니다. 이 기술은 github에 오픈소스로 공유되어 있습니다.

참고로 PointNet을 이용하기 위해서는 우분투와 텐서플로우를 설치해야 합니다. 다음 영상은 이를 설치하는 방법입니다.

Scan To BIM 기술은 센서, 머신러닝의 발전과 확산되고 있는 오픈소스기술로 인해 앞으로 더욱 발전할 것입니다. 기술에 대한 좀 더 상세한 내용을 알고 싶으시면 아래 레퍼런스를 참고하시길 바랍니다.

레퍼런스 - 3차원 비전 및 머신러닝 오픈소스

• PointNet (github), PointNet++
• VoxelNet-tensorflow (github)
• VoxelNet-Keras (github)
• A 3D object detection system for autonomous driving (github)
• Object-Detection-Development (github)

레퍼런스 - 3차원 비전 및 머신러닝

• 밸로다인 VeloView
• 로버 기반 스캔
• 3D Machine Learning
• 3D Point Cloud Classification and Segmentation using 3D Modified Fisher Vector Representation for Convolutional Neural Networks
• 3D Point Cloud Classification using Deep Learning – Recent Works
• PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
• Open3D
• PointCNN
• Graph CNN 3D point cloud classification
• PointNet autoencoder
• Rubust Point Cloud Registration (ICP)
• PolyFit(curve fitting)

레퍼런스 - 딥러닝 프레임웍

• Publish Images Based on Ubuntu 18.04 LTS
• How do I Install CUDA on Ubuntu 18.04?
• NVIDIA DIGITS
• Installing TensorFlow on Ubuntu
• Install TensorFlow with GPU Support the Easy Way on Ubuntu 18.04 (without installing CUDA)
• FindSurface: Real-Time, Automatic 3D Object Analysis for Mobile and AR Devices 

건설 스타트업 카테라 생산성의 원천 (2018.1)

이 글은 건설 스타트업 - 카테라 성과-생산성의 원천이 무엇인지 확인할 목적으로 정리한 글입니다. 카테라는 작년 말부터 국내 건설 업계에 큰 관심을 받고 있습니다. 건설 스타트업으로 설립된지 3년밖에 안되었습니다. 소프트뱅크에서 9억달라 투자를 받은 것이 크게 기사화 되었죠(조선일보,  2018.1, 日 소프트뱅크, 건설서비스업체 '카테라'에 9억달러 투자). 이런 이유로 4차 산업혁명을 내세운 현 정부에서 벤치마킹대상이 되었습니다. 

SoftBank Leads $865M Investment In Katerra, Which Aims To Upend The Construction Industry(Forbes, 2018.1)

이 글은 카테라란 업체를 좀 더 확인해 보기 위해 검색한 내용을 바탕으로 정리한 것입니다. 

비전

카테라의 비전은 BIM, 로보틱스와 같은 디지털 플랫폼 기반 건설 자동화 기술을 통해 생산성 향상과 그 이익을 고객에 되돌려주는 것입니다. 다음 영상을 보면 쉽게 이해할 수 있을 것입니다.

건설 생산성 이슈와 카테라 비전

건설 시장 시장 가치

기술

비전을 성공시키기 위해 카테라가 사용하는 기술과 전략은 다음과 같습니다.

BIM(Building Information Modeling)

ERP(Enterprise Resource Planning)

프리페브릭케이션(Prefabraction)과 모듈 재활용

서플라이 체인 통합

다음 영상을 보면 이 전략이 잘 표현되어 있습니다. 카테라가 시작한 사업은 목조주택입니다. 이 전략이 쉽게 적용될 수 있어 보이는 곳부터 출발했습니다. 

기술 컨셉 소개

카테라 현장

신기루 같은 신기술-성과 비례관계

사실, 카테라가 제시한 비전과 전략, 기술은 그리 새로울 것이 없습니다. 다음 영상은 오래전 1:1 Architect(1:1 Arkitektur) 란 기술로 알려져 있었던 BIM기반 Prefabrication 기술을 활용한 건축 사례입니다. 제가 2012년에 보았으니까 벌써 6년이 넘은 기술이네요. 카테라에서 핵심 기술이라고 말하는 것과 큰 차이가 없습니다.

Firma bygger hus med printer [1:1 Arkitektur]

ERP는 이미 오랜전부터 사용되는 기술입니다. 이와 더불어 서플라이체인 통합도 마찬가지죠. 심지어, BIM-ERP 통합 기술도 2011년에 연구과제에서 소개된 적이 있었습니다(참고 - iTWO). 그때와 지금, 우리가 알고 있었던 기술의 차이가 있었는 지 모르겠습니다. 

과연 이런 기술과 모든 나라, 모든 지역에서 생산성, 품질 성과 간에 비례 관계가 있을까요? 이건 별개 문제라 생각합니다. 신기술 적용 전에 다음과 같은 문화, 제도, 정책이 좋았기 때문에 성과가 있지 않았을까요?

• 합리적인 대가 체계
• 통합 발주 계약 
• 진정한 Design-Build 가능한 환경
• 투명한 건설 기성 관리 및 개방형 계정 관리
• 공정한 인센티브와 책임 설계-시공
• 업역별 사일로(Silo)로 분리되지 않고 통합될 수 있는 건설 발주 계약 구매 조달 관리
• 투명하고 합리적인 크래딧(credit)
• 합리적 계약 및 대가 체계(Behind the scenes of Integrated Project Delivery, 2014)

이런 것이 가능하지 않은 상태에서 ERP, 서플라이 체인 통합, BIM이 제대로 이뤄질 지 의문입니다. 언급한 많은 부분들은 우리의 건설 계약, 법 체계에 의해 실타레처럼 엉키고 막혀 있습니다. 우리에게 당장 필요한 것은 이렇게 엉키고 꽉막힌 문제를 풀어야 한다는 공감대, 그리고 작지만 지속적인 발걸음이 아닐까 싶습니다. 

결론

글래스도어 등에서 카테라에서 일한 분들의 리뷰를 보면, 카테라에서도 영상에서 보여준 비전과 기술이 제대로 동작되지 않는 경우가 꽤 있었다고 합니다(실리콘밸리 펀드 투자 받기 위한 전략 중 하나?). 카테라는 데이터로 비지니스를 하는 업체라 볼 수 있죠. 데이터는 사람이 입력하고 관리합니다. 건설 현장이나 관리 현장의 모든 데이터를 관리하고자 한다면, 이를 입력하고 관리하는 사람과 시스템 비용은 이익을 초과할 가능성이 높습니다. 

오히려, 아날로그 방식으로 비용의 누수를 찾아내고, 프로세스 효율성을 개선해 나가면, BIM, ERP와 같은 신기술이 굳이 적용될 필요 없이 자연스럽게 이익은 증가할 수 있습니다. 물론, 이런 단계가 진행된 후에 더 많은 품질과 이익을 얻고자 한다면, 이 때 BIM, 인공지능과 같은 기술을 응용할 이유는 충분할 것입니다. 

레퍼런스

• Katerra promises to transform the construction industry without sacrificing design
• Katerra, a tech-driven GC, plots ambitious expansion
• BIM TECH: WHAT’S NEXT FOR CONSTRUCTION COMPANIES?
• Katerra Reviews
• Prefabricated construction using robots set to increase in next few years
• Factory OS
• 강태욱, 김호중, 2014, BIM기반 건축 협업 디자인, SpaceTime 출판사
• 강태욱, 2013.2, 제조 건설 혁신 3D 프린팅 기술, BIM Principle
• 강태욱, 2014.3, Zaha Hadid 360과 DDP, BIM Principle
• 강태욱, 2015, 라이노 기반 OpenSlicer 모듈 개발, BIM Principle
• 김성진, 2015, 디아크 물문화관, With Works
• 박진호, 신동한, 이훈, 2014, 로봇암 기반 건축, 로봇신문