Search

KR-20260061894-A - WAREHOUSE MANAGEMENT SYSTEM BASED ON LLM AND METHOD THEREOF

KR20260061894AKR 20260061894 AKR20260061894 AKR 20260061894AKR-20260061894-A

Abstract

본 발명의 일실시예에 따른 LLM 기반 지능형 창고 관리 시스템은, 클라우드 서버 및, 작업 수행 상황을 실시간으로 모니터링하는 엣지 디바이스; 예외 상황 발생 시 저장된 정보로 상기 예외 상황에 대응하는 온프레미스 서버; 를 포함하고, 클라우드 서버는, 관리자 클라이언트로부터 자연어로 작업 지시를 입력받고 LLM을 이용하여 입력된 작업 지시를 해석하는 LLM 서비스부; 창고 상황을 고려하도록 작업 데이터가 저장된 통합 데이터베이스부; 작업 계획에 따라 작업을 할당하는 지능형 서비스부; 를 포함하는 것이고, 할당된 작업에 따라 자율적으로 이동하며 작업을 수행하는 AMR을 포함한다.

Inventors

  • 최대현
  • 양재군

Assignees

  • 주식회사 엔소프트

Dates

Publication Date
20260506
Application Date
20241028

Claims (14)

  1. LLM(Large Language Models) 기반 지능형 창고 관리 시스템에 있어서, 클라우드 서버; 상기 클라우드 서버와 통신하며, 관리되는 창고들 중 적어도 하나의 창고에 배치되어 현장의 실시간 데이터를 입수 및 저장하는 온프레미스 서버; 상기 온프레미스 서버를 통해 상기 클라우드 서버로부터 작업 가이드를 제공받으며, 작업 수행 상황을 실시간으로 모니터링하는 엣지 디바이스; 및 상기 작업 가이드에 따라 자율적으로 이동하며 작업을 수행하는 AMR(Autonomous mobile robot); 을 포함하고, 상기 클라우드 서버는, 관리자 클라이언트로부터 자연어로 작업 지시를 입력받고 LLM을 이용하여 작업 지시를 해석하는 LLM 서비스부; 작업 및 안전에 관한 지식 데이터 및 상기 엣지 디바이스가 전송한 정보를 저장하는 통합 데이터베이스부; 및 인공지능 기반으로 상기 창고 관리 시스템 전체의 운영을 조율하고 최적화하도록 데이터 분석 및 의사 결정을 수행하는 지능형 서비스부; 를 포함하는 것인 LLM 기반 지능형 창고 관리 시스템.
  2. 제 1항에 있어서, 상기 엣지 디바이스는 상기 AMR을 모니터링하여 작업 완료 후 작업 결과를 제공하고 상기 작업 결과를 분석함으로써 성능을 평가하는 것인 LLM 기반 지능형 창고 관리 시스템.
  3. 제 1항에 있어서, 상기 LLM 서비스부는 상기 AMR의 작업 보고서를 자연어로 생성하고, 상기 생성된 작업 보고서를 상기 관리자 클라이언트로 제공하는 것인 LLM 기반 지능형 창고 관리 시스템.
  4. 제 1항에 있어서, 상기 지능형 서비스부는 창고 운영 데이터를 기반으로 작업 계획 및 안전 조치 등의 의사 결정을 수행하는 중앙 제어 엔진; 상기 작업 계획에 따라 작업을 할당하는 작업 스케줄러 모듈; 작업 상황에서 위험 요소를 예측하는 AI 예측 모듈; 및 실시간으로 데이터를 수집하고 가상의 화면에 반영하여 실제 작업 현장과 동일하게 구현하는 디지털 트윈 모듈; 을 포함하는 것인 LLM 기반 지능형 창고 관리 시스템.
  5. 제 4항에 있어서, 상기 디지털 트윈 모듈은 실시간으로 수집된 데이터를 가상에 반영하여 실제 작업 현장과 동일하게 구현한 시뮬레이션을 관리자 클라이언트에게 제공하고 관리자 피드백을 적용하여 주기적으로 업데이트를 수행하는 것인 LLM 기반 지능형 창고 관리 시스템.
  6. 제 1항에 있어서, 상기 엣지 디바이스는, 환경 센서 모듈, AMR 위치 센싱 모듈, 작업 모니터링 모듈을 포함하며, 상기 작업 모니터링 모듈은, 센서 데이터를 분석하여 작업 위험을 감지하고 위험 상황에 따라 긴급 알림 및 제어, 안전 조치를 실행하여 실행 결과를 상기 관리자 클라이언트로 제공하는 것인 LLM 기반 지능형 창고 관리 시스템.
  7. 제 6항에 있어서, 상기 작업 모니터링 모듈은 상기 관리자 클라이언트의 피드백을 적용하여 주기적으로 업데이트를 수행하는 것인 LLM 기반 지능형 창고 관리 시스템.
  8. LLM(Large Language Models) 기반 지능형 창고 관리 시스템의 운영 방법에 있어서, 관리자 클라이언트로부터 자연어로 작업 지시를 입력받는 단계; LLM을 이용하여 입력된 상기 작업 지시를 해석하는 단계; 상기 해석된 작업 지시와 창고 상황에 기초하여 AMR(Autonomous mobile robot)별 작업을 할당하고, 작업 지시를 전달하는 단계; 상기 할당된 작업에 따라 AMR이 자율적으로 이동하며 작업을 수행하는 단계; 및 상기 AMR의 작업 수행 상황을 실시간으로 모니터링하여 작업 수행 결과를 검증하는 단계; 를 포함하는 LLM 기반 지능형 창고 관리 시스템의 운영 방법.
  9. 제 8항에 있어서, 상기 모니터링하여 작업 수행 결과를 검증하는 단계는, 작업 완료 후에 상기 작업 수행 결과를 분석함으로써 상기 AMR의 성능을 평가하는 단계를 포함하는 것인 LLM 기반 지능형 창고 관리 시스템의 운영 방법.
  10. 제8항에 있어서, 상기 모니터링하여 작업 수행 결과를 검증하는 단계는, 상기 AMR의 작업 보고서를 자연어로 생성하고, 상기 생성된 작업 보고서를 상기 관리자 클라이언트로 제공하는 단계를 포함하는 것인 LLM 기반 지능형 창고 관리 시스템의 운영 방법.
  11. 제8항에 있어서, 상기 AMR 별 할당된 작업 지시를 전달하는 단계는, 창고 운영 데이터를 기반으로 작업 계획 및 안전 조치 등의 의사 결정을 수행하는 단계; 상기 작업 계획에 따라 작업을 할당하는 단계; 작업 상황에서 위험 요소를 예측하는 AI 예측 단계; 및 실시간으로 데이터를 수집하고 가상의 화면에 반영하여 실제 작업 현장과 동일하게 구현하는 디지털 트윈 단계; 를 포함하는 것인 LLM 기반 지능형 창고 관리 시스템의 운영 방법.
  12. 제11항에 있어서, 상기 디지털 트윈 단계는, 실시간으로 수집된 데이터를 가상에 반영하여 실제 작업 현장과 동일하게 구현한 시뮬레이션을 관리자 클라이언트에게 제공하고, 상기 관리자 클라이언트의 피드백을 적용하여 주기적으로 업데이트를 수행하는 것인 LLM 기반 지능형 창고 관리 시스템의 운영 방법.
  13. 제8항에 있어서, 상기 모니터링하여 작업 수행 결과를 검증하는 단계는, 센서 데이터를 분석하여 작업 위험을 감지하고 위험 상황에 따라 긴급 알림 및 제어, 안전 조치를 실행하여 실행 결과를 상기 관리자 클라이언트로 제공하는 것인 LLM 기반 지능형 창고 관리 시스템의 운영 방법.
  14. 제13항에 있어서 상기 모니터링하여 작업 수행 결과를 검증하는 단계는, 상기 관리자 클라이언트의 피드백을 적용하여 주기적으로 업데이트를 수행하는 것인 LLM 기반 지능형 창고 관리 시스템의 운영 방법.

Description

LLM 기반 지능형 창고 관리 시스템 및 그 운영 방법{WAREHOUSE MANAGEMENT SYSTEM BASED ON LLM AND METHOD THEREOF} 본 발명은 창고 관리 시스템에 관한 것으로, 더욱 상세하게는 대규모 언어 모델을 이용하여 이송로봇에게 직관적인 작업 지시가 가능하고, 지속적인 데이터 수집으로 인공지능의 자동화 성능을 개선하여 창고 운영의 효율성과 안전성을 높이는 LLM 기반 지능형 창고 관리 시스템 및 그 운영 방법에 관한 것이다. 본 발명은 이하의 연구과제의 성과물로서 출원된 것이다. 과제고유번호: G0702-24-1023 부처명: 과학기술정보통신부 연구관리전문기관: 정보통신산업진흥원 (NIPA) 연구사업명: 2024년 D.N.A. 대중소 파트너십 동반진출 사업 연구과제명: AI 기술을 활용한 Middle Mile 물류플랫폼 서비스 해외 시범 구축 및 시장 진출 주관기관: (주)엔소프트 연구기간: 2024.05.01.~2024.11.30. 창고 관리 시스템(Warehouse Management System, WMS)은 디지털 물류　전환과 플랫폼 비즈니스 확대로 인해 증가중인 유통 산업에서, 물류 및 창고 운영의 효율성을 높이기 위해 설계되고 있다. 일반적으로 창고 관리 시스템은 재고 관리, 주문 처리, 입출고 관리 등의 기능을 제공하며, 특히 프로세스를 자동화하고 수작업을 최소화하는데 중점을 두는 시스템이다. 대부분의 창고 관리 시스템은 기존 시스템에서 고정된 사용자 인터페이스 규격에 의해 구축되기 때문에, 시스템 상의 복잡한 명령어 체계를 사용하여 시스템을 제어하게 한다. 이와 같은 방식은 창고 관리 시스템을 이용하는 사용자 경험을 저하시키고, 결국 숙련된 인력만이 시스템을 효과적으로 사용할 수 있게 된다. 이에 대해, 최근 창고 관리 시스템에는, 창고에서 발생하는 데이터를 수집하여 기계 학습하도록 설계된 창고 관리 시스템(이하 선행문헌의 한국공개특허 10-2020-0048791호)이 있지만, 실시간으로 학습하고 즉각적인 의사 결정을 내리는 데 한계가 존재한다. 또한, 데이터 처리 과정을 소요하므로, 예기치 않은 상황이 발생한 때에 대응 속도를 저하시켜 창고 운영 효율성을 저하시키게 된다. 한편, 창고 환경은 사람과 이송 수단의 상호 작용 및 환경적인 요인에 의해 안전 사고 발생 가능성이 높은 장소이기도 하다. 안전 관리 기능을 포함하는 창고 관리 시스템(이하 선행문헌의 한국공개특허 10- 2024-0003604호)이 제시되고 있으나, 주로 수동적인 대응에 그치고 있어 실시간으로 위험 요소를 감지하고 조치를 실행하는 데 한계가 있다. 즉, 종래의 창고 관리 시스템은 지속적인 시스템 개선 및 학습 기능면에서, 사용자 피드백을 반영하거나 새로운 데이터에 따라 시스템 성능을 지속적으로 개선하는 메커니즘이 부족하여, 시간 경과에 따라 시스템의 효율성이 떨어질 수 있다. 이러한 문제점을 해결하기 위해, AI 기반으로 직관적인 사용자 지시 및 실시간 데이터를 분석하여 자동으로 의사 결정이 가능하고, 기반되는 통합 지식 베이스 및 지속적 학습 메커니즘이 클라우드 및 엣지 컴퓨팅 기술의 결합을 통해 향상될 수 있는 창고 관리 시스템이 필요한 실정이다. 도 1은 본 발명의 일 실시예에 따른 지능형 창고 관리 시스템(100)을 도시한 도면이다. 도 2는 본 발명의 일 실시예에 따른 클라우드 서버(200)의 구성을 도시한 블록도이다. 도 3은 본 발명의 일 실시예에 따른 지능형 서비스부(230)의 세부 구성을 도시한 블록도이다. 도 4는 본 발명의 일 실시예에 따른 온프레미스 서버(300)의 구성을 도시한 블록도이다. 도 5는 본 발명의 일 실시예에 따른 엣지 디바이스(400)의 구성을 도시한 블록도이다. 도 6은 본 발명의 일 실시예에 따른 지능형 창고 관리 시스템(100)의 자연어 기반 작업 지시 방법의 흐름도이다. 도 7은 본 발명의 일 실시예에 따른 지능형 창고 관리 시스템(100)의 작업 모니터링 보고 방법의 흐름도이다. 도 8은 본 발명의 일 실시예에 따른 지능형 창고 관리 시스템(100)의 안전 관리 방법의 흐름도이다. 이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다. 본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다. 도 1은 본 발명의 일 실시예에 따른 지능형 창고 관리 시스템(100)을 도시한 도면이다. 도 1을 참조하면, 지능형 창고 관리 시스템(100)은 관리자 클라이언트(10), 클라우드 서버(200), 온프레미스 서버(300), 엣지 디바이스(400), IoT 센서(30), AMR(40) 을 포함할 수 있다. 먼저, 관리자 클라이언트(10)는, 관리자와 관리측 창고 관리 소프트웨어 및 어플리케이션을 포함할 수 있다. 관리자 클라이언트(10)는 클라우드 서버(200), 온프레미스 서버(300), 엣지 디바이스(400)를 포함하는 시스템 내에서 정보를 송수신할 수 있다. 클라우드 서버(200)는, 대규모 데이터를 입수하여 저장하고 빅데이터 분석 및 모델 예측을 수행할 수 있다. 창고의 모든 데이터를 수집하고 분석해 작업 패턴을 최적화하거나 예측 모델을 생성할 수 있으며, 원거리에서도 시스템을 중앙에서 관리할 수 있다. 이는 클라우드의 확장성에서 비롯되어 복수의 다양한 센서와 기기를 연결하고 데이터를 통합하는 것이 가능하다. 클라우드 서버(200)는, 관리자 클라이언트(10)로부터 작업에 관한 자연어 지시 및 지식 데이터를 입수하고, 통합 데이터로서 저장할 수 있다. 여기서 자연어 지시는 작업 수행을 위해 자연어로 발생되는 모든 지시를 포함하며, 지식 데이터는 매뉴얼, 안전 가이드라인, 과거 작업 데이터를 포함하는 작업에 관련된 데이터 및 문서 전체일 수 있다. 클라우드 서버(200)는, 자연어 지시를 대규모 언어 모델로 언어 처리하여 작업 지시를 생성할 수 있으며, 엣지 컴퓨팅 디바이스로부터 데이터를 수신하고, 창고 관리를 위한 예측을 최적화할 수 있다. 온프레미스 서버(300)는, 지능형 창고 관리 시스템이 관리하는 창고 중 적어도 하나에 배치되는 서버로서 즉각적인 데이터 처리 및 안전 관리와 같은 실시간 운영을 지원할 수 있다. 온프레미스 서버(300)는 로컬 데이터베이스 및 캐시 서버 기능을 포함하고 이를 통해 현장에서 수집된 데이터를 서버 전송하거나 동기화할 수 있다. 또한, 온프레미스 서버(300)는 클라우드 서버(200)와의 통신이 제한되거나 지연되는 상황에서도 지능형 창고 관리 시스템(100)의 핵심 기능이 수행될 수 있도록 한다. 예를 들어, 온프레미스 서버(300)는 엣지 디바이스(400)와 연계하여 네트워크 지연이나 클라우드 접근 불가 상황에서도 실시간 작업을 지속할 수 있다. 엣지 디바이스(400)는, 모니터링 장치와 환경 센서를 포함한 각종 센서를 통해 창고의 데이터를 수집하고 관리하며 클라우드 서버(200)로 수집된 데이터를 전송하거나 동기화할 수 있다. 여기서 수집되는 데이터는 클라우드 서버(200)가 입수하여 AI 기반의 의사 결정을 수행하고 그 결과로 작업 지시가 엣지 디바이스(400)로 전송될 수 있다. 이러한 작업 지시는 작업자 및 AMR(Autonomous Mobile Robot)에게 전달되어 창고 작업에 활용될 수 있다. 또한, 엣지 디바이스(400)는 온프레미스 서버(300)와 연계하여 네트워크 지연이나 클라우드 접근 불가 상황에서도 실시간 작업을 지속할 수 있다. 엣지 디바이스(400)는 CCTV 카메라 및 각종 센서를 통해 작업 현장의 안전 상황을 실시간으로 감지하고 위험 상황 발생 시 알림을 발생하거나 대응 조치를 제공할 수 있다. 예를 들어, 엣지 디바이스(400)는 온도, 습도, 공기 오염도 등의 창고 환경 데이터를 모니터링하고, 기준 값 초과 시 관리자에게 알림을 보낼 수 있다. 또한, 엣지 디바이스(400)는 창고의 AMR(40)을 효율적으로 관리하고 제어하는 역할을 수행할 수 있다. IoT 센서(30)는 창고 내에 설치되는 CCTV 카메라 및 각종 센서로서, 복수의 카메라 및 센싱 장비를 포함하는 센서 시스템일 수 있다. AMR(40)은 센서 및 엣지 기기와 신호 및 정보를 송수신하는 통신 기능을 구비하는 이동형 로봇으로서, 복수의 로봇으로 구성되는 플릿일 수 있다. 도 2는 본 발명의 일 실시예에 따른 클라우드 서버(200)의 구성을 도시한 블록도이다. 클라우드 서버(200)는, 대규모 데이터를 입수하여 저장하고 빅데이터 분석 및 모델 예측을 수행할 수 있다. 창고의 모든 데이터를 수집하고 분석해 작업 패턴을 최적화하거나 예측 모델을 생성할 수 있으며, 원거리에서도 시스템을 중앙에서 관리할 수 있다. 이는 클라우드의 확장성에서 비롯되어 복수의 다양한 센서와 기기를 연결하고 데이터를 통합하는 것이 가능하다. 도 2를 참조하면, 클라우드 서버