따라만 하세요! OpenCV와 AI로 로봇 라인 트레이싱 구현하기

🚗 바닥의 선을 따라가는 로봇, 직접 만들어볼까요?

여러분, 공장이나 병원에서 바닥에 그려진 선을 따라 이동하는 로봇 본 적 있죠? 이걸 라인 트레이싱 로봇이라고 하는데, 물류 자동화의 기본 중의 기본이에요. 오늘은 OpenCV와 간단한 AI를 활용해서 라인 트레이싱 시스템을 직접 구현해볼 거예요.

"어, 나 코딩 잘 모르는데?" 걱정 마세요. Python 기초만 알면 충분히 따라할 수 있어요. 카메라로 바닥을 촬영하고, AI가 선의 위치를 파악하고, 로봇이 그 방향으로 이동하는 원리예요. 정말 간단하죠?

📋 준비물 체크리스트

시작하기 전에 필요한 것들을 확인해볼게요. 하드웨어로는 웹캠 하나면 충분해요. 실제 로봇에 적용하려면 라즈베리파이와 카메라 모듈이 필요하지만, 일단 PC에서 웹캠으로 원리를 이해하는 게 먼저예요. 소프트웨어는 Python 3.8 이상, OpenCV, NumPy가 필요해요. 터미널에서 pip install opencv-python numpy 한 줄이면 설치 끝이에요.

테스트용 라인은 검은색 테이프로 바닥에 길을 만들면 돼요. 직선, 곡선, 교차로 등 다양한 패턴을 만들어보세요. 흰 바닥에 검은 테이프가 가장 인식이 잘 돼요.

🔧 Step 1 — 카메라로 영상 캡처하기

첫 번째 단계는 카메라 영상을 가져오는 거예요. OpenCV의 VideoCapture 클래스를 사용하면 딱 3줄이면 돼요. cap = cv2.VideoCapture(0)으로 카메라를 열고, cap.read()로 프레임을 읽고, cv2.imshow()로 화면에 보여주면 끝이에요. 여기서 0은 기본 웹캠 번호예요.

이 단계에서 카메라가 바닥의 선을 잘 촬영하는지 확인해보세요. 카메라 각도와 높이에 따라 인식 성능이 크게 달라지거든요. 바닥에서 약 20~30cm 높이, 아래를 향해 45도 정도가 가장 좋은 각도예요.

🎨 Step 2 — 이미지 전처리와 라인 검출

카메라 영상을 그대로 쓰면 노이즈가 많아서 라인 인식이 어려워요. 전처리 과정이 핵심이에요. 컬러 영상을 그레이스케일로 변환하고, 가우시안 블러로 노이즈를 제거한 다음, 이진화 처리를 해요. 이진화란 영상을 흑백 두 가지로 딱 나누는 거예요. 검은 선은 흰색(255)으로, 배경은 검은색(0)으로 변환되죠.

여기서 핵심 팁 하나! 조명 환경이 균일하지 않으면 고정 임계값 이진화가 잘 안 돼요. 이럴 때는 적응형 임계값을 사용하세요. cv2.adaptiveThreshold() 함수를 쓰면 영역별로 다른 임계값을 적용해서 조명 변화에 강해져요.

🧮 Step 3 — 라인 중심점 계산하기

이진화된 영상에서 흰색 픽셀(라인)의 위치를 분석해서 라인의 중심점을 구해요. 모멘트 계산이라는 방법을 쓰는데, OpenCV의 cv2.moments() 함수 하나면 끝이에요. cx = M["m10"]/M["m00"]로 x좌표 중심, cy = M["m01"]/M["m00"]로 y좌표 중심을 구할 수 있어요.

이 중심점이 화면의 왼쪽에 있으면 로봇이 왼쪽으로, 오른쪽에 있으면 오른쪽으로 회전해야 해요. 화면 중앙과 라인 중심점의 차이(오차)를 계산해서 로봇의 조향 값으로 사용하는 거예요. 마치 운전할 때 차선 중앙을 유지하려고 핸들을 조금씩 돌리는 것과 같은 원리죠.

🤖 Step 4 — PID 제어로 부드러운 주행 만들기

단순히 좌우로 회전만 하면 로봇이 지그재그로 움직여요. 이걸 해결하는 게 PID 제어예요. P는 현재 오차, I는 누적 오차, D는 오차의 변화율을 반영하는 건데, 비유하자면 이런 거예요.

P는 "지금 얼마나 벗어났는지"를 보고, I는 "지금까지 얼마나 벗어나 있었는지"를 보고, D는 "벗어나는 속도가 얼마나 빠른지"를 봐요. 이 세 가지를 조합하면 로봇이 부드럽게 선을 따라가요. PID 상수(Kp, Ki, Kd)는 실험으로 조정해야 하는데, Kp=0.5, Ki=0.01, Kd=0.1 정도에서 시작해서 미세 조정하면 돼요.

🧠 Step 5 — AI로 업그레이드하기

기본 라인 트레이싱까지 완성했으면, 여기에 AI를 추가해서 성능을 한 단계 끌어올릴 수 있어요. 단순 이진화 대신 딥러닝 기반 시맨틱 세그멘테이션을 적용하면, 복잡한 환경에서도 라인을 정확하게 인식해요. 그림자가 지거나 라인이 지워진 부분도 AI가 추론해서 처리할 수 있거든요.

사전 학습된 경량 모델을 사용하면 라즈베리파이에서도 실시간 처리가 가능해요. TensorFlow Lite나 ONNX Runtime을 쓰면 추론 속도를 확 끌어올릴 수 있죠.

여기까지 따라오셨으면 기본적인 AI 라인 트레이싱 로봇 시스템이 완성된 거예요! 축하드려요! 🎉 다음 단계로 장애물 회피나 교차로 판단 기능을 추가하면 더 똑똑한 로봇을 만들 수 있어요. 궁금한 점 있으면 댓글로 물어보세요!