라인 트레이서 기반 물류 로봇 개발

2025-11-06, G25DR

1. 라인 트레이서 로봇의 기본 원리 및 시스템 아키텍처

라인 트레이서(Line Tracer)는 바닥에 표시된 특정 경로(검은색 또는 흰색 선)를 감지하여 따라가는 자율 이동 로봇을 의미한다.1 이미 공장이나 병원 등에서 물품 운반 로봇으로 실용화된 바 있다.1

1.1 라인 트레이서의 정의 및 핵심 작동 원리

모든 라인 트레이서의 작동은 ’피드백 제어(Feedback Control)’라는 핵심 루프에 기반한다.3 이 루프는 (1)감지(Sensing), (2)처리(Processing), (3)작동(Actuating)의 3단계로 구성된다.3

센서의 기본 감지 원리는 빛의 반사 특성을 이용하는 것이다. 흰색 표면은 빛의 대부분을 반사하는 반면, 검은색 표면은 빛의 대부분을 흡수한다.5 적외선(IR) 센서는 IR LED(발광부)와 포토다이오드(수광부)로 구성되어, 발광부에서 쏜 적외선이 바닥에서 반사되어 돌아오는 양을 수광부에서 측정함으로써 흑백 표면을 구분한다.4

1.2 시스템 아키텍처: 4대 핵심 구성 요소

이러한 피드백 제어 루프를 구현하기 위해, 라인 트레이서 시스템은 4가지 핵심 하드웨어 모듈로 구성된다.3

1. 센서 (Sensors): 로봇의 ‘눈’ 역할을 하며 라인의 위치를 감지한다. 통상 IR 센서 또는 LDR(광의존성 저항)이 사용되지만 4, 정밀한 제어를 위해 다수의 IR 센서가 배열된 ’센서 어레이’가 권장된다.3

2. 마이크로컨트롤러 (Microcontroller): 로봇의 ’뇌’에 해당한다.3 센서로부터 데이터를 입력받아(Processing), 제어 알고리즘(예: PID)을 실행하고, 모터에 명령을 내린다(Actuating). 아두이노(Arduino) 3, ESP32 3, Raspberry Pi Pico 3 등이 보편적으로 사용된다.

3. 구동부 (Actuators): 로봇의 ‘다리’ 역할을 수행한다.

• 모터: DC 모터 또는 스텝 모터가 사용된다.4 고속 경쟁에서는 Pololu의 고출력(HP) 기어드 DC 모터가 선호된다.10

• 모터 드라이버: 마이크로컨트롤러의 저전력 제어 신호(예: 5V)로는 강력한 모터(예: 12V)를 구동할 수 없다. 모터 드라이버는 이 둘을 연결하는 필수적인 브릿지 회로다. L298N 7, L293D 13 등이 널리 사용된다.

4. 섀시 및 전원 (Chassis & Power):

• 섀시: 모든 부품을 탑재하는 구조물. 아크릴 시트, 3D 프린팅 플라스틱 등이 사용된다.3

• 전원: 시스템의 ‘심장’. 리튬 폴리머(Li-Po) 배터리 또는 알카라인 배터리가 사용된다.3

1.3 센서 기술 심층 분석: IR 센서 어레이(Array)

물류 로봇 수준의 정밀한 주행을 위해서는 단순한 2개의 센서로는 부족하다. 2개의 센서(좌/우)는 라인의 이탈 유무만(Digital) 감지할 수 있어, 2.1절에서 다룰 ’뱅뱅 제어’만 가능하다.11

반면, 5개 또는 8개 이상의 센서가 촘촘하게 배열된 ’센서 어레이’는 라인의 중심으로부터 로봇이 ‘얼마나’, 그리고 ‘어느 방향으로’ 벗어났는지를 정량적인 아날로그 값으로 제공한다.6 이 정량적 오차 값은 2장에서 다룰 PID 제어 알고리즘의 핵심 입력값이 된다.17

주목할 점은, 이 센서 어레이가 두 가지 용도로 활용된다는 것이다. PID 제어를 위해서는 ‘아날로그’ 위치 데이터로 사용되지만, 3장에서 다룰 교차로 감지(예: 모든 센서가 검은색을 감지하는 11111 패턴)를 위해서는 ‘디지털’ 패턴 데이터로도 활용된다.16 효율적인 시스템 설계는 이처럼 하드웨어 리소스를 이중으로 활용하는 데 있다.

주요 상용 센서 어레이의 사양은 다음과 같다.

• QTR-8RC/8A (Pololu): 8채널, 3.3V-5V 작동 전압, 디지털(RC) 또는 아날로그(A) 출력.19

• Hiwonder 8-Channel: 8채널, 5V, 8 IO/I2C/UART 다중 인터페이스 제공.20

• Waveshare 5-ch Tracker: 5채널, 3.3V-5V, 고정밀 아날로그 출력, 1cm-5cm 탐지 범위.6

1.4 (표 1) 라인 트레이서 핵심 하드웨어 선정 가이드

개발 목표에 따라 하드웨어 구성을 체계적으로 확장해야 한다. 1단계(기본 학습), 2단계(고속 주행), 3단계(물류 기능)로 나누어 권장 사양을 제시한다.

하드웨어의 선택이 제어 알고리즘의 수준을 결정한다. 1단계의 2센서 구성은 단순 ‘if-then’ 제어만 가능하게 하지만, 2단계의 ’아날로그 출력 어레이’는 ‘가중 평균’ 기반의 오차 계산을 가능하게 하여 17, PID 제어로 나아가기 위한 물리적 전제 조건이 된다.

2. 주행 제어 알고리즘: 기본 제어에서 PID 제어까지

로봇이 라인을 ‘따라가는’ 방식, 즉 제어 알고리즘은 로봇의 속도와 안정성을 결정하는 핵심 요소이다.

2.1 기본 제어: ‘뱅뱅(Bang-Bang)’ 컨트롤러

2개의 IR 센서(좌/우)를 사용하는 가장 간단한 제어 방식이다.9 핵심 로직은 다음과 같은 이산적(discrete) 조건문으로 구성된다.13

• if (좌:0, 우:0): 라인 중앙. 양쪽 모터 직진.

• if (좌:0, 우:1): 우측 이탈. 좌회전 (예: 우측 모터 속도 증가, 좌측 감소).

• if (좌:1, 우:0): 좌측 이탈. 우회전 (예: 좌측 모터 속도 증가, 우측 감소).

• if (좌:1, 우:1): 라인 이탈. 정지.

이 방식은 구현이 간단하지만, 로봇이 라인을 따라 좌우로 계속 진동(oscillation)하게 된다. 이는 부드럽지 못한 주행을 야기하며 고속 주행 시 라인을 이탈하게 만드는 주된 원인이다.9

2.2 PID 제어의 필요성

고속 주행(예: 1m/s 이상), 급격한 커브 대응, 그리고 안정적인 라인 추종을 위해서는 ‘뱅뱅’ 제어의 이산적 반응이 아닌, 오차에 비례하는 연속적(continuous) 반응이 필요하다.9

PID(Proportional-Integral-Derivative, 비례-적분-미분) 제어는 현재 오차(P), 누적된 과거 오차(I), 그리고 변화율에 기반한 미래 오차 예측(D)을 모두 고려하여 최적의 제어 값을 계산하는 고전적이면서도 강력한 피드백 제어 알고리즘이다.17

2.3 PID 제어 이론 심층 분석 (P, I, D의 역할)

PID 제어는 세 가지 항의 합으로 모터 제어 값을 결정한다.

1. P (Proportional, 비례): 현재 오차(Error)의 크기에 비례하여 제어 값을 결정한다.9

• 역할: 로봇을 라인 중심으로 되돌리는 주요 힘이다. 오차가 클수록 더 강하게 반응한다.17

• 튜닝: K_p (비례 게인) 값이 너무 높으면, 로봇이 오차를 감지(Sensing)하고 모터가 반응(Actuating)하는 물리적 지연(관성) 때문에 중앙을 지나쳐 반대편으로 오버슈트한다. 이 과정이 반복되며 ‘뱅뱅’ 제어처럼 심하게 진동(oscillation)한다.9 값이 너무 낮으면 반응이 느려 라인을 놓친다.

2. I (Integral, 적분): 오차의 누적 값(합계)을 사용한다.22

• 역할: P 제어만으로는 잡히지 않는 미세한 *정상 상태 오차(steady-state error)*를 보정한다. (예: 양쪽 모터의 미세한 출력 차이나 배터리 불균형으로 인해 로봇이 미세하게 한쪽으로 쏠리는 현상).17

• 튜닝: K_i (적분 게인) 값은 누적된 오차로 인해 시스템을 불안정하게 만들 수 있어, 고속 라인 트레이서에서는 0으로 두거나 매우 낮게 설정한다.17

3. D (Derivative, 미분): 오차의 변화율 (현재 오차 - 직전 오차)을 사용한다.22

• 역할: 로봇이 라인에 급격히 접근할 때(즉, 오차 변화율이 클 때) 제동을 걸어, 목표점을 지나치는 *오버슈트(overshoot)*를 방지한다.17 즉, 시스템을 ’진정(dampen)’시켜 P 제어의 과도한 반응을 억제하고 부드러운 주행을 만든다.

• 튜닝: K_d (미분 게인) 값은 급격한 커브에서 로봇의 반응성을 결정한다.

2.4 PID 알고리즘의 핵심: ‘오차(Error)’ 계산

PID 제어의 성패는 ’오차’를 얼마나 정확히 계산하느냐에 달려있다. 1.3절의 센서 어레이를 사용하여 다음과 같이 계산한다.

1. 위치(Position) 계산 (가중 평균):

센서 어레이의 다중 센서 값(s0, s1,…)을 가중 평균(Weighted Average)하여 단일 ‘위치’ 값으로 변환한다.17 예를 들어, 8개 센서(0번~7번)를 사용하는 경우, 각 센서에 0, 1000, 2000,… 7000의 가중치를 부여할 수 있다.18

position = (s0 \times 0 + s1 \times 1000 +... + s7 \times 7000) / (s0 + s1 +... + s7)

2. 오차(Error) 계산:

로봇이 따라가야 할 목표점(Setpoint), 즉 라인의 중앙값(8센서 기준 3500) 18에서 현재 위치 값을 뺀다.17

error = setpoint - position

(예: error = 3500 - position)

• 만약 position이 2000 (라인이 왼쪽에 있음)이면, error는 +1500 (오른쪽으로 가라는 신호)이 된다.

• 만약 position이 5000 (라인이 오른쪽에 있음)이면, error는 -1500 (왼쪽으로 가라는 신호)이 된다.

2.5 아두이노 기반 PID 구현 및 튜닝 전략

계산된 오차(error)는 다음과 같이 모터 속도에 적용된다.

1. PID 출력 계산:

P, I, D 항을 각각 계산하고, K_p, K_i, K_d 게인 값을 곱하여 최종 제어 출력 값을 계산한다.17

PID\_output = (K_p \times error) + (K_i \times \int error \cdot dt) + (K_d \times (error - previous\_error)/dt)

여기서 dt는 PID 루프가 실행되는 시간 간격으로, derivative 계산에 필수적이므로 루프가 일정한 주기로 실행되도록 보장하는 것이 중요하다.17

2. 모터 속도 적용:

PID\_output 값을 좌우 모터의 기본 속도(base_speed)에 더하거나 빼서 차동 구동(Differential Drive)을 구현한다.17

• left\_motor\_speed = base\_speed - PID\_output

• right\_motor\_speed = base\_speed + PID\_output

error가 양수(+1500, 왼쪽)면 PID\_output이 양수가 되어, 왼쪽 모터는 감속하고 오른쪽 모터는 가속하여 로봇이 오른쪽으로 선회한다.18

3. 튜닝 전략:

최적의 K_p, K_i, K_d 값을 찾는 것이 가장 중요하다. 일반적인 수동 튜닝 전략은 다음과 같다.17

• Step 1 (P 튜닝): K_i와 K_d를 0으로 설정한다. K_p 값을 1.0부터 시작하여, 로봇이 라인을 따라 진동(oscillation)하기 시작할 때까지 점진적으로 늘린다.17

• Step 2 (P 튜닝): 진동이 발생한 K_p 값에서 약 20-30% 감소시킨다.17

• Step 3 (D 튜닝): K_d 값을 0.1부터 시작하여, 급커브에서 오버슈트가 줄어들고 주행이 부드러워질 때까지 점진적으로 늘린다.

• Step 4 (I 튜닝): K_i 값을 0.01 등 매우 작은 값에서 시작하여, 미세한 정상 상태 오차를 잡는다.

고급 튜닝 기법으로, ESP32나 블루투스 모듈을 사용하여 K_p, K_i, K_d 값을 스마트폰 앱으로 실시간 변경하며 튜닝하는 방식이 있다.9 이는 개발 시간을 획기적으로 단축시킨다.

로봇의 최고 속도는 모터나 배터리 같은 하드웨어가 아닌, 이 PID 튜닝(소프트웨어)이 얼마나 정교하게 이루어졌는지에 따라 결정된다.9

3. 물류 로봇으로의 기능 확장: 교차로 감지 및 화물 처리

2장에서 확보한 ’안정적 주행 플랫폼’은 그 자체로 목적이 아니다. 이 플랫폼 위에 ’물류’라는 구체적인 임무를 부여해야 한다.28 이는 단순한 라인 추종을 넘어선 ‘의사 결정’ 기능의 추가를 의미한다.

3.1. 물류 로봇의 추가 요구사항

물류 창고1나 피킹/분류 공정28에서 로봇은 정해진 선만 따라가는 것이 아니라, 다음과 같은 추가 기능이 필요하다.

1. 교차로(Node) 인식: 교차로를 만나면 멈추거나 특정 행동을 취해야 한다.

2. 경로 계획(Path-planning): 여러 경로 중 주어진 목적지로 가는 경로를 선택해야 한다.

3. 화물 처리(Cargo Handling): 특정 지점에서 물체를 집거나(Pick) 내려놓아야(Place) 한다.

3.2. 교차로(Node) 감지 및 분기 로직

PID 제어가 ’라인 중심’을 추종하는 아날로그적 로직이라면, 교차로 감지는 센서 어레이의 ’패턴’을 인식하는 디지털적 로직이다.

3개의 센서(좌, 중, 우)를 사용하는 경우, if (좌:Black, 중:Black, 우:Black)이면 교차로(Node)로 인식할 수 있다.12 8채널 어레이를 사용하면 더 복잡한 교차로(T-정션, 십자)를 구별할 수 있다. 예를 들어, 11111111 (모든 센서가 Black)은 십자 교차로로, 11100111은 T-정션 등으로 *디지털 서명(digital signature)*을 정의할 수 있다.16

물류 로봇의 펌웨어는 ’PID 주행 상태’와 ‘교차로 처리 상태’ 등을 갖는 **‘유한 상태 기계(Finite State Machine, FSM)’**로 설계되어야 한다. 평소에는 ’PID 주행 상태’로 주행하다가, 교차로 패턴(이벤트)이 감지되면 ’PID 주행 상태’를 일시 중지하고 ’교차로 처리 상태’로 *전이(Transition)*한다. 이 상태에서 다음 행동(정지, 좌회전, 우회전)을 결정한다.

3.3. 경로 계획 및 특정 지점 정지

창고 내 여러 목적지(A, B, C)가 교차로(Node)로 연결된 환경을 가정한다. 로봇이 ’라인’이 아닌 ’지도’를 따라가게 만들어야 한다.

이를 위해 창고 맵을 그래프(Graph)로 모델링한다 (Node = 교차로, Edge = 라인, Weight = 거리). 로봇은 시작 노드에서 목표 노드까지의 최단 경로를 **‘다익스트라(Dijkstra) 최단 경로 알고리즘’**을 통해 미리 계산할 수 있다.12

예를 들어, 계산된 경로가 [좌, 직진, 우]라면, 로봇은 ’PID 주행 상태’로 주행하다가 첫 번째 교차로(11111111)를 감지하면 정지한다. FSM이 ’경로 결정 상태’로 전이되고, 경로의 첫 번째 명령(‘좌’)을 실행한다 (예: 90도 좌회전). 이후 다시 ’PID 주행 상태’로 복귀하여 다음 교차로까지 주행한다. 이 과정은 미로 찾기(Maze Solver) 로봇의 원리와 동일하다.30

3.4. 화물 처리: 로봇팔(Robotic Arm) 연동

물류 로봇의 핵심 기능은 ’운반’이다. 이를 위해 라인 트레이서 플랫폼에 로봇팔을 결합한다.12

• 시스템 구성: 더 많은 I/O 포트가 필요하므로 아두이노 우노(Uno) 대신 아두이노 메가(Mega)를 사용할 수 있다. 시스템은 DC 모터(주행용)와 다수의 서보 모터(로봇팔 관절용), 그리고 라인 센서 및 물체 감지를 위한 거리 센서로 구성된다.28

• 작업 시나리오: 로봇이 다익스트라 알고리즘에 따라 지정된 목적지 노드에 도착하면 정지한다.12 -> ’화물 처리 상태’로 전이되어 로봇팔(서보 모터 제어)이 물체를 집는다(Pick). -> 로봇이 다음 목적지 노드로 이동 및 정지한다. -> 로봇팔이 물체를 내려놓는다(Place).

결론적으로, PID 제어기(2장)는 FSM의 여러 ‘상태’ 중 하나인 ’PID 주행 상태’에서 호출되는 하나의 하위 모듈에 불과하게 된다. 이것이 단순 ’라인 트레이서’와 ’물류 로봇’의 근본적인 아키텍처 차이이다.

4. 산업용 AGV(무인 운반차)와 차세대 네비게이션

지금까지 개발한 라인 트레이서 물류 로봇은 실제 산업 현장에서 사용되는 ’AGV(Automated Guided Vehicle)’의 프로토타입에 해당한다. 본 섹션은 이 기술의 상용화 단계와 본질적인 한계, 그리고 이를 극복하는 차세대 기술을 분석한다.

4.1. 산업용 라인 트레이서: AGV (Automated Guided Vehicle)

AGV는 공장, 창고 등 제어된 환경에서 자재를 운반하는 무인 차량이다.31 AGV의 핵심 유도 방식은 ‘라인 유도(Track-guided)’ 방식이다.

이는 바닥에 시각적(광학) 라인이나 자기(Magnetic) 테이프를 설치하고, AGV가 센서를 이용해 이를 따라가는 방식으로, 우리가 1~3장에서 개발한 라인 트레이서와 정확히 동일한 원리다.31

Linde 31, Jungheinrich 35와 같은 기업들이 이러한 AGV를 공급하며, 유통 센터의 팔레트 이동, 생산 라인과 창고 간의 자재 운반, 트럭 상하차 등 반복적이고 고정된 경로의 작업에 사용된다.33

4.2. 라인 유도(AGV) 방식의 명확한 한계

’라인 트레이서 물류 로봇 개발’이라는 과제는 본질적으로 전략적 모순을 내포하고 있다. 라인 유도 방식은 현대 물류가 요구하는 핵심 가치인 **‘유연성(Flexibility)’**을 제공하지 못한다.37

• 비유연성: 생산 공정이나 창고 레이아웃이 변경될 경우, 바닥에 설치된 물리적인 레일(라인)을 제거하고 재시공하는 큰 공사가 필요하다.37 이는 막대한 시간과 비용을 유발하여, 다품종 소량생산이나 유연한 물류 환경에 부적합하다.31

• 장애물 대응 불가: AGV는 라인 위에 장애물(예: 떨어진 상자)이 있으면 경로를 우회하지 못하고 영구히 멈춘다.36

이러한 한계로 인해 라인 트레이서(AGV)에 대한 R&D 투자는 막대한 매몰 비용이 될 위험이 크다.

4.3. 대안 기술: AMR (Autonomous Mobile Robot)과 SLAM

이러한 AGV의 한계를 극복하기 위해 등장한 것이 바로 AMR(자율 이동 로봇)이다.36 AMR은 바닥의 라인을 따라가는 대신, SLAM(Simultaneous Localization and Mapping) 기술을 사용하여 *스스로 지도를 생성(Mapping)*하고, 그 지도 상에서 *자신의 위치를 파악(Localization)*하며 자율 주행한다.38

AMR은 AGV와 달리 장애물을 발견하면 스스로 우회 경로를 생성할 수 있어36, AGV보다 훨씬 유연하다.

4.4. 핵심 네비게이션 기술 비교: 라인 유도 vs. SLAM

차세대 물류 로봇 개발을 위해, SLAM의 두 가지 주요 방식(LiDAR, Visual)을 라인 유도 방식과 비교 분석한다.34

1. LiDAR SLAM (레이저 스캐너 기반):

• 원리: 2D 또는 3D 레이저 스캐너39를 회전시켜 주변 환경까지의 거리를 정밀하게 측정, 포인트 클라우드 맵을 생성한다.40

• 장점: 매우 높은 정밀도. 조명, 먼지, 안개 등 환경 변화에 매우 강인하다.41

• 단점: 매우 비싼 센서 비용.42 높은 데이터 처리 능력 요구.42

2. Visual SLAM (V-SLAM, 카메라 기반):

• 원리: 모노/스테레오/RGB-D 카메라38로 촬영한 이미지에서 시각적 특징점(코너, 엣지)을 추출하고, 연속된 이미지 간의 특징점 변화를 추적하여 카메라의 움직임(Odometry)과 맵을 동시에 추정한다.38

• 장점: 매우 저렴한 하드웨어 (카메라 센서).41 넓은 시야각(FoV).41

• 단점: 조명 변화에 매우 민감 (저조도, 역광에 취약).38 특징점이 없는 복도나 흰 벽42에서는 실패한다. 깊이 추정 정확도가 낮다.44

4.5. (표 2) 차세대 물류 로봇 네비게이션 기술 비교

물류 시나리오에 맞는 기술을 선택하기 위해, 세 가지 방식의 핵심 트레이드오프를 비교한다.

SLAM이 항상 우월한 것은 아니다. 팔레트를 ’보관’에서 ’배송’으로 옮기는 고정된(fixed) 경로의 반복 작업은 AGV(라인 트레이서)가 더 효율적일 수 있다.36 반면, ’패킹 스테이션’과 ‘선반’ 사이를 동적으로 오가는 작업은 AMR(SLAM)이 필수적이다.36

5. 라인 트레이서 기반 물류 로봇 개발 로드맵 및 전략적 제언

이상의 분석을 토대로, ‘라인 트레이서 물류 로봇 개발’ 과제를 성공적으로 수행하기 위한 단계별 로드맵과 최종 아키텍처를 제안한다.

5.1. 1단계: PID 제어 기반 고속 주행 플랫폼 확보 (Prototype)

• 목표: 고속(1m/s 이상) 및 고안정성의 PID 제어 플랫폼 구현.9

• 핵심 과업: 2장에서 다룬 PID 제어 알고리즘(가중 평균 오차 계산)을 마스터하고, K_p, K_d, K_i 값 튜닝 노하우를 확보한다.17

• 산출물: 라인을 절대 놓치지 않는 안정적인 2WD/4WD 모바일 플랫폼.

5.2. 2단계: 물류 시나리오 적용 (Logistics Function)

• 목표: 1단계 플랫폼에 ’지능’을 부여하여 FSM(유한 상태 기계) 기반의 물류 작업 수행.

• 핵심 과업: 3장에서 다룬 교차로 감지 로직 12, 다익스트라 경로 계획 12, 로봇팔 연동 28을 구현한다.

• 산출물: 정해진 노드 맵 안에서, 명령(예: “A에서 물건을 집어 B로 운반”)을 수행할 수 있는 ‘라인 유도 물류 로봇’ (AGV).

5.3. 3단계: 유연성 확보 (Scalability & Flexibility)

• 목표: 2단계 산출물이 가진 본질적 한계(비유연성) 37를 극복하고, 동적 환경에 대응.

• 핵심 과업: 4장에서 분석한 SLAM 기술 R&D에 착수한다.

• 산출물: Visual SLAM (저비용) 또는 LiDAR SLAM (고신뢰성) 기반의 AMR 프로토타입.

5.4. 최종 제언: 하이브리드 네비게이션 아키텍처 (Hybrid Architecture)

본 보고서의 최종 결론은 “라인 트레이서만으로는 성공적인 물류 로봇을 개발할 수 없다“이다. AGV(라인 유도) 또는 AMR(SLAM)의 양자택일이 아닌, 이 둘을 결합하는 것이 가장 비용 효율적이고 강력한 아키텍처다.

1. (A) 간선 경로 (Highways): 창고의 메인 복도나 공장 내 장거리 이동 경로는 ‘라인 유도’(자기 테이프) 방식을 사용한다.

• 이유: SLAM(특히 LiDAR)은 장거리 직선 주로에서 위치 오차가 누적(drift)될 수 있으며 43, 라인 유도는 이 구간에서 매우 저렴하고, 빠르며, 절대적인 위치 신뢰도를 제공한다.

2. (B) 지선 경로 (Last Meter): 특정 작업대, 선반, 도킹 스테이션 등 복잡하고 유연한 작업이 필요한 ‘마지막 1미터’ 구간에서는 ‘SLAM’(Visual 또는 LiDAR)을 사용한다.

• 이유: 로봇이 라인을 이탈하여, 카메라(V-SLAM)나 LiDAR로 정밀하게 작업대에 도킹 33하거나 장애물을 피해 물건을 피킹 36한다.

결론: 로봇은 ‘라인 트레이서(PID)’ 모드로 고속 주행하다가, 작업 구역에 도착하면 ‘AMR(SLAM)’ 모드로 전환하여 정밀 작업을 수행한다. 이는 AGV의 한계(비용, 유연성) 37와 AMR의 한계(비용, 정확도) 41를 동시에 해결하는 최적의 ‘개발’ 전략이다.

Works cited

1. accessed November 6, 2025, https://www.kunsan.ac.kr/index.kunsan?menuCd=DOM_000002804005000000#:~:text=%EB%9D%BC%EC%9D%B8%20%ED%8A%B8%EB%A0%88%EC%9D%B4%EC%84%9C%EC%9D%98%20%EA%B8%B0%EB%B3%B8%EC%A0%81%EC%9D%B8%20%EB%8F%99%EC%9E%91,%ED%95%98%EB%8A%94%20%EB%A1%9C%EB%B4%87%EC%9C%BC%EB%A1%9C%20%EC%8B%A4%EC%9A%A9%ED%99%94%20%EB%90%98%EC%97%88%EB%8B%A4.
2. 라인트레이서의 정의와 동작원리(바닥감지) - 블랙크로스 로봇 아카데미 - Daum 카페, accessed November 6, 2025, https://m.cafe.daum.net/BLACKCROSS/3VUL/26?svc=cafeapi
3. What is a Line Follower Robot? How to Build One & Components …, accessed November 6, 2025, https://salvatortech.com/en/blog/the-secret-of-a-line-follower-robot/
4. Introduction to Line Follower Robots | Mekathlon, accessed November 6, 2025, https://www.mekathlon.com/blogs/robotics/introduction-line-follower-robot
5. Line Follower Robot using Arduino UNO, accessed November 6, 2025, https://projecthub.arduino.cc/jrachana/line-follower-robot-using-arduino-uno-59356d
6. Infrared Line Tracking Sensor - RobotShop, accessed November 6, 2025, https://www.robotshop.com/products/infrared-line-tracking-sensor
7. 【 아두이노 Proj#2】 라인트레이서 자동차 만들기 ( L298N모듈), accessed November 6, 2025, https://rasino.tistory.com/185
8. Line Following Robot | Arduino Project Hub, accessed November 6, 2025, https://projecthub.arduino.cc/lightthedreams/line-following-robot-34b1d3
9. Make a FAST Line Follower Robot Using PID! - Instructables, accessed November 6, 2025, https://www.instructables.com/Make-a-FAST-Line-Follower-Robot-Using-PID/
10. High Performance Line Follower Robot - Instructables, accessed November 6, 2025, https://www.instructables.com/High-performance-Line-follower-Robot/
11. Line Follower Robot using Arduino - YouTube, accessed November 6, 2025, https://www.youtube.com/watch?v=5jh-5HGvC-I
12. LINE FOLLOWER CARGO-BOT FOR WAREHOUSE … - IRJET, accessed November 6, 2025, https://www.irjet.net/archives/V8/i2/IRJET-V8I2179.pdf
13. Building A Line Following Robot Using Arduino | Arduino Project Hub, accessed November 6, 2025, https://projecthub.arduino.cc/lee_curiosity/building-a-line-following-robot-using-arduino-017dbb
14. Line Follower Robot With Arduino - Very Fast and Very Simple - Instructables, accessed November 6, 2025, https://www.instructables.com/Line-Follower-Robot-With-Arduino-Really-Fast-and-R/
15. 아두이노 라인 트레이서 만들기 - 로봇 조립하기 - annaino uno, accessed November 6, 2025, https://myoungjinkim.github.io/arduino/arduino-line-follower-assemble/
16. 라인트레이서 - Subamzak, accessed November 6, 2025, https://subamzak.netlify.app/tracer/
17. PID Tuning for Line Follower Robot: Complete How-To Guide …, accessed November 6, 2025, https://thinkrobotics.com/blogs/learn/pid-tuning-for-line-follower-robot-complete-how-to-guide
18. Line Follower Robot (with PID controller) | Arduino Project Hub, accessed November 6, 2025, https://projecthub.arduino.cc/anova9347/line-follower-robot-with-pid-controller-01813f
19. QTR-8RC 8 Channel IR Line Tracking Sensor Array Panel - eleberric, accessed November 6, 2025, https://eleberric.com/product/qtr-8rc-8-channel-ir-line-tracking-sensor-array-panel/
20. Hiwonder 8-Channel IR Line Follower Sensor Module – IR Line Tracking M, accessed November 6, 2025, https://www.hiwonder.com/products/8-channel-ir-line-follower-sensor
21. [논문]지적 PID를 적용한 라인 트레이스 로봇에 관한 연구, accessed November 6, 2025, https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=NPAP12899079
22. PID 제어기 원리 - velog, accessed November 6, 2025, https://velog.io/@dosigner/PID-%EC%A0%9C%EC%96%B4%EA%B8%B0-%EC%9B%90%EB%A6%AC
23. (제어) PID 제어, P제어에 대하여… - ROBO-STORY - 티스토리, accessed November 6, 2025, https://robo-story.tistory.com/5
24. PID algorithm for line follower - Robotics - Arduino Forum, accessed November 6, 2025, https://forum.arduino.cc/t/pid-algorithm-for-line-follower/184680
25. PID Line Follower Tuning - Robot Research Lab, accessed November 6, 2025, http://robotresearchlab.com/2019/02/16/pid-line-follower-tuning/
26. vinamrsachdeva/PID-Line-Follower - GitHub, accessed November 6, 2025, https://github.com/vinamrsachdeva/PID-Line-Follower
27. I made a SUPER FAST Line Follower Robot Using PID! - YouTube, accessed November 6, 2025, https://www.youtube.com/watch?v=QoNkpnpvEqc
28. [논문]라인트레이서와 로봇암을 활용한 자동물류분류 시스템, accessed November 6, 2025, https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=NPAP13086618
29. Line Follower - Reliably Dealing With A ‘T’ Junction - General Guidance - Arduino Forum, accessed November 6, 2025, https://forum.arduino.cc/t/line-follower-reliably-dealing-with-a-t-junction/440762
30. 7 Programming robot for line following and Junction identification - YouTube, accessed November 6, 2025, https://www.youtube.com/watch?v=LbtkIZQQYKk
31. AGVs automated guided vehicles | Linde Material Handling, accessed November 6, 2025, https://www.linde-mh.com/en/Solutions/Intralogistics-Automation/Automated-guided-vehicle/
32. Automated Guided Vehicles (AGV) | Meaning, Types & Use-Cases - AutoStore, accessed November 6, 2025, https://www.autostoresystem.com/insights/what-is-an-automated-guided-vehicle-agv
33. This is how AGV robots work - Mecalux.com, accessed November 6, 2025, https://www.mecalux.com/blog/agv-robots
34. AGV의 다양한 탐색 방법의 장점과 단점 비교-지식-Zhejiang Tongzhu …, accessed November 6, 2025, https://ko.tzbotautomation.net/info/comparison-of-advantages-and-disadvantages-of-52725650.html
35. Automated Guided Vehicles (AGV) from Jungheinrich - YouTube, accessed November 6, 2025, https://www.youtube.com/watch?v=KqfVZvbGVEM
36. Automated guided vehicles (AGV): Robot types & how they work - Standard Bots, accessed November 6, 2025, https://standardbots.com/blog/agv-robot
37. [보고서]카메라 유도방식을 이용한 Forklift AGV(Automatic Guided Vehicle)개발 - 한국과학기술정보연구원, accessed November 6, 2025, https://scienceon.kisti.re.kr/srch/selectPORSrchReport.do?cn=TRKO201200006214
38. What’s the difference between vision-based and LiDAR-based SLAM? - Exyn Technologies, accessed November 6, 2025, https://www.exyn.com/news/vision-vs-lidar-slam
39. 일반적인 AGV 탐색 방법 - Neuvition | 고체 라이더, 라이더 센서 공급 업체, 라이더 기술, 라이더 센서, accessed November 6, 2025, https://www.neuvition.com/ko/media/blog/agv-navigation.html
40. 물류 모바일 로봇용 LiDAR - Neuvition | 고체 라이더, 라이더 센서 공급 업체, 라이더 기술, 라이더 센서, accessed November 6, 2025, https://www.neuvition.com/ko/media/blog/logistics-mobile-robots.html
41. LiDAR SLAM vs Visual SLAM: Which is Better? - Robotic Lawn Mowers | HOOKII Neomow S, accessed November 6, 2025, https://eu.hookii.com/en/blogs/robot-lawn-mowers/laser-slam-vs-visual-slam-which-is-better
42. LiDAR SLAM vs. Visual SLAM: An In-depth Comparison-Geosun Navigation, accessed November 6, 2025, https://en.geosuntech.com/News/252.html
43. Comparison of Laser SLAM and Visual SLAM: Advantages and Disadvantages - SLAMTEC - Robot Localization & Navigation Solutions, accessed November 6, 2025, https://www.slamtec.com/en/News/DetailEn/comparison-of-laser-slam-and-visual-slam-advantages-and-disadvantages
44. LiDAR SLAM vs. Visual SLAM: Key Differences for Smarter Mapping …, accessed November 6, 2025, https://www.geosunlidar.com/news/lidar-slam-vs-visual-slam-key-differences-for-smarter-mapping-decisions-190902.html