CORNAV, 2D CAD 청사진과 공정 일정을 결합한 건설 로봇 내비게이션 프레임워크
미국 캘리포니아대학교 어바인 캠퍼스 연구팀이 2D CAD 청사진, 개방형 어휘 3D 장면 그래프, 공정 일정, LLM 안전 검증을 하나의 파이프라인으로 묶은 건설 현장 로봇 내비게이션 프레임워크 CORNAV를 프리프린트로 공개했다. 논문 요약에 따르면 청사진 그라운딩은 의미 검색만 쓴 경우의 작업 성공률 13.0%를 72.2%로 높였고, 일정 인식은 모든 하드 존 위반을 없앴으며, 안전 모듈은 공정표 오류로 생긴 위험 요청을 올바르게 거부했다. BIM 없이 기존 CAD 도면과 공정표를 활용한다는 점에서 건설 현장 도입 부담을 낮춘 접근이다.
건설 현장의 변화하는 작업 일정과 안전 제약을 로봇 내비게이션에 통합하려면, BIM 없이 2D CAD 청사진과 공정표만으로 자연어 지시를 안전하게 수행할 수 있는가?
건설업은 숙련 인력 부족, 연간 1.6조 달러 규모의 생산성 손실, 높은 산업재해율을 겪는다. 그러나 기존 언어 기반 내비게이션은 의미적 장면 이해만 사용해 건축 도면, 작업 일정, 안전 제약에 접근하지 못한다. 이 때문에 영구 건축 요소의 위치를 불안정하게 추정하고, 부분 완성 구조물과 임시 작업 구역이 계속 바뀌는 실제 공사 현장을 안전하게 주행하지 못한다. 장면 그래프, BIM, 안전 인식 기술이 따로 개발돼 통합된 표현도 없는 상태다.
HOV-SG 같은 개방형 어휘 3D 장면 그래프는 객체 검색과 공간 구조를 제공하지만 방 라벨이 장면과 센서 조건에 따라 흔들렸다. 이 논문의 평가에서 CLIP 기반 방 라벨 정확도는 전체 3.3%에 그쳤다. BIM, IFC 기반 일정 연동 내비게이션은 공정을 반영하지만 BIM 구축과 유지에 비용이 크고, 위험 구역을 정적 배제 구역으로만 처리하며 모델에 없는 현장 객체를 해석하지 못했다. 안전 인식 방식은 건설 관리자가 가진 운영 문서가 아니라 설계자가 정한 규칙이나 명령 어조에 의존하는 한계가 있었다.
CORNAV는 DXF로 내보낸 2D CAD 도면에서 방 폴리라인을 추출해 청사진 장면 그래프를 만들고, 로봇 점유 맵과 2단 강체 정합으로 맞춘다. RGB-D 관측으로 구축한 HOV-SG 장면 그래프는 이동형 물체 검색에 쓰고, 화장실 같은 CAD 고정 요소는 CLIP 없이 청사진 레지스트리에서 결정적으로 해석한다. 공정표는 활동, 방, 시간 창, 위험 등급이 담긴 JSON으로 변환해 하드, 소프트 제약을 활성화한다. 소프트 구역은 GPT-4o 기반 안전 모듈이 OSHA 29 CFR 1926에서 도출한 규칙과 위험 노트를 대조해 0~1 점수를 매기고, 0.7 이상이면 하드 제약으로 승격한다. A* 플래너는 하드 존을 점유 셀로 처리하고 소프트 존에는 5배 비용을 부과해 우회를 유도한다.
정량 평가는 Unitree Go2로 수집한 RGB, 깊이, 포즈 데이터를 오프라인으로 처리했고, 실내 오피스 1곳과 실제 건설 현장 3개 층을 사용했다. 청사진-점유 맵 정합 RMSE는 오피스 0.135m, 건설 층 0.386m, 0.280m, 0.366m였다. HOV-SG의 방 라벨 정확도는 전체 3.3%(30개 중 1개)였고, 건설 층은 모두 0%였다. 89개 일정 시험에서 74개가 실현 가능했고, 모든 실현 가능 경로에서 하드 존 위반은 0건이었다. 실현 불가능 15건은 모두 시작점(9건)이나 목표점(6건)이 하드 존 안에 있었다. 소프트 존을 피한 비율은 건설 1층에서 78.9%였고, 나머지 현장에서는 우회 경로가 없어 교차한 경우가 많았다. 안전 검증은 위험, 비위험 각 4건에서 모두 기대대로 승격하거나 유지했고, 위험 사례의 ZER을 100%에서 0.0%로 낮췄다. 64회 반복 평가에서 7건은 점수 분산이 0이었고 SR2 위험 사례만 표준편차 0.024였다. 전체 시스템은 CCR 100.0%, TSR 72.2%, FPR 46.3%, SACR 29.6%, PER 0.988을 기록했다. 청사진 제거 시 TSR 13.0%, 일정 제거 시 CCR 53.7%, 안전 검증 제거 시 CCR 83.3%로 떨어졌고, HOV-SG 단독 기준은 TSR 7.4%, CCR 42.6%였다. 영구 객체 성공률은 CORNAV 100.0%, CLIP 객체 63.4%였다. Go2와 Unitree G1에서 12회 실기 시연을 진행해 일정을 반영하거나 불가능을 판별했다.
정량 평가는 기록된 센서 데이터로 오프라인에서 이뤄졌고, 실기 시연은 12회의 정성적 확인에 그쳤다. 사용 환경은 오피스 1곳과 건설 현장 3개 층이며, 안전 검증은 8개 합성 라벨 오류 사례로 평가해 실제 공정표 오류 분포를 반영하지 못할 수 있다. 0.7 승격 임계값은 설계 상수이고, GPT-4o API에 의존해 통신, 비용, 지연 문제가 있을 수 있다. 청사진 정합 오차는 최대 0.386m로, 좁은 통로나 공차가 작은 현장에서는 추가 보정이 필요할 수 있다. 저자들은 다중 로봇 협업과 이동 조작을 후속 과제로 남겼다. 코드 공개 여부는 논문에 보고되지 않았다.
건설 현장 순찰, 자재 운반, 안전 점검용 자율 로봇에 적용할 수 있다. BIM을 구축하지 않은 중소 건설사도 보유한 2D CAD와 공정표를 그대로 쓸 수 있어 도입 장벽이 낮다. 현재는 Go2와 G1 시연 단계이므로, 1~3년 내 파일럿 확대를 위해서는 다양한 현장의 정합 품질 개선, 온디바이스 또는 사내 LLM 대체, 안전 규정별 검증 확대, 실시간 현장 센서 연동이 필요하다. 건설 로봇 제조사나 현장 관리 소프트웨어 기업이 일정 연동 내비게이션 모듈로 통합할 여지가 있다.
이 논문은 라이선스상 전문을 게재할 수 없어 요약과 원문 링크만 제공합니다.