AI와 가상 부품 분해 기능을 통해 효율성을 대폭 개선한 BMW 그룹

자동차 엔지니어링 분야가 계속해서 진화하는 가운데, 제품의 복잡한 세부 사항을 이해하고 모든 구성 요소를 최적화하는 것이 그 어느 때보다 중요합니다. 기존에는 실물 검사를 직접 수행해야 했는데, 이는 많은 리소스와 시간을 소모하며 확장성이 떨어지는 방식입니다.

하지만 공구를 전혀 사용하지 않고도 자동차 부품을 분해할 수 있다면 어떨까요?

BMW 그룹 개발 전략 부서의 AI 기반 활동 테크니컬 프로젝트 리드인 사보 아사닌 박사는 바로 이 문제의 돌파구를 찾고자 했습니다. 목표는 자동차 부품의 철저한 기술적 분석을 통해 서로 다른 디자인 컨셉을 비교하는 것이었습니다.

아사닌 박사의 팀은 유니티와의 협업을 통해 물리적 제약을 뛰어넘는 데 성공했습니다. 이 팀은 실시간 3D 데이터와 LLM(대규모 언어 모델)을 결합하여 디자인 컨셉 비교 및 ​​벤치마킹 프로세스를 자동화하는 새로운 툴 Virtual Teardown Assistant를 개발했습니다. 이번 활용 사례에서는 아사닌 박사와 유니티의 시니어 소프트웨어 개발 컨설턴트인 다니엘 비어위드가 이 툴을 개발한 과정을 설명합니다.

디지털 확장으로 물리적 한계를 극복하다

아사닌 박사의 설명에 따르면 BMW 그룹은 오랫동안 주로 수동 검사를 통해 부품을 분석해 왔습니다. 엔지니어들은 부품을 직접 검사하거나 데이터베이스를 검색해 필요한 정보를 얻었습니다. 유효한 방식이기는 했지만 많은 리소스와 시간이 소모되었으며 확장성도 부족했습니다.

BMW는 방대한 CAD 데이터를 보유하고 있었으므로, 문제는 데이터 부족이 아니었습니다. 실질적인 문제는 데이터의 접근성과 해석이었습니다. 여러 세대에 걸친 차량 부품의 형상을 비교하기 위해서는 상당한 인적 리소스가 필요했습니다.

바로 여기서 BMW 그룹의 3D Mine이 기반이 되어 핵심적인 역할을 합니다. BMW의 에셋 관리 솔루션에 대한 이전 게시물에서 자세히 설명했듯이, 3D Mine은 조직의 누구나 3D 데이터를 쉽게 활용할 수 있게 지원하는 중앙 집중식 솔루션 역할을 합니다.

Virtual Teardown Assistant는 이를 기반으로 구축되었으며 그에 더하여 지능형 자동화 기능을 제공합니다.

이 툴을 개발한 목표는 차량 부품의 형상을 비교해 잠재적인 개선 사항을 자동으로 찾아내고, 부품 분석의 핵심 작업을 AI가 수행하도록 함으로써 높은 확장성을 확보하는 것이었습니다.

핵심 기술: Unity Asset Manager 및 Pipeline Automation

Virtual Teardown Assistant를 제작하기 위해서는 단순한 3D 모델이 아니라, 해당 모델의 구성 요소를 인식하고 이해하는 시스템이 필요했습니다.

이 워크플로는 차량 전체 모델과 같은 복잡한 CAD 데이터에서 시작됩니다. 먼저 시스템이 Unity Asset Manager와 Pipeline Automation을 사용하여 차량을 좌석이나 제동 장치 등의 하위 구성 시스템으로 분해합니다.

아사닌 박사가 설명한 것처럼, 이 워크플로는 CAD 모델을 가져와 구성 부품으로 분해한 뒤 각 부품에 서로 다른 컬러 코드를 지정하고 에디터에서 흰 배경을 바탕으로 각각의 ‘사진’을 촬영하는 과정입니다. 이 과정은 모두 자동으로 진행됩니다.

바로 여기서 Unity의 엔터프라이즈 솔루션이 진가를 발휘합니다.

• Unity Asset Manager 기반의 3D Mine: SSOT(Single Source of Truth)로서, 선택된 3D 모델과 관련 메타데이터 파일을 불러옵니다.
• Pipeline Automation: 핵심적인 작업을 처리합니다. 데이터를 기반으로 부품을 분리하여 모든 나사와 브래킷까지 확인할 수 있는 분해도를 생성하며, 고품질의 분석용 이미지를 렌더링합니다.

이렇게 생성된 이미지는 부품 번호 및 치수와 같은 중요한 메타데이터가 포함된 BOM(자재 명세서)과 함께 LLM에 제공됩니다. AI는 분해도를 살펴보고 데이터를 읽어 엔지니어링 분석 결과를 제공하며, 이를 통해 경량화, 비용 절감, 기능 개선 기회를 대규모로 파악해냅니다.

지금까지 확보한 놀라운 인사이트와 상당한 비용 절감 효과

아사닌 박사의 팀은 처음 POC(Proof of Concept)를 시작했을 때 AI가 시각 데이터를 어떻게 처리할지 확신하지 못했습니다.

이처럼 어떤 결과가 나올지 알 수 없었음에도, 제한된 형상 정보만으로도 모델이 매우 잘 작동한다는 사실에 개발팀은 상당히 고무되었습니다. AI는 유용한 인사이트를 제공했으며 형상 정보를 정확하게 이해했습니다. 개발팀은 이미 주요 시스템에서 긍정적인 결과를 거두고 있습니다.

이러한 효율성 향상은 상당한 의미를 지닙니다. BMW는 차량의 다양한 시스템에 대한 파이프라인을 자동화함으로써 효율성을 높이고 엔지니어링 분석을 가속화하고 있습니다.

Virtual Teardown Assistant를 조직 전체에 도입하면 여러 팀에서 컨셉, 디자인, 공급업체 솔루션을 더욱 신속하고 일관성 있게 비교할 수 있습니다. 덕분에 벤치마킹 속도가 높아지고, 엔지니어가 개발 초기 단계에서 가장 유망한 옵션을 파악하는 데 도움이 됩니다.

협력을 통한 혁신

Virtual Teardown Assistant의 성공은 BMW 그룹과 유니티 간의 더욱 긴밀해진 협력 관계를 잘 나타냅니다. 단순히 소프트웨어를 도입하는 데 그치지 않고, 함께 솔루션을 공동 개발하는 것입니다.

아사닌 박사의 팀은 유니티와 긴밀히 협력하면서 유니티의 고객 담당 팀으로부터 기술적 전문 지식을 직접 지원받았습니다. 그 결과 개발팀이 원하는 대로 고품질의 부품 시각화 성능은 그대로 갖추면서 많은 사람이 쉽게 사용할 수 있는 플랫폼이 탄생했습니다.

BMW의 최종 사용자, 즉 차량 설계에 관해 중요한 결정을 내리는 엔지니어에게는 백엔드의 복잡성이 노출되지 않습니다. 이들은 파일을 변환하는 Asset Transformer SDK와 같은 Unity 솔루션이나 백그라운드에서 실행되는 Pipeline Automation 스크립트를 볼 수 없습니다. POC에 대한 피드백은 더할 나위 없이 긍정적이었으며, 다른 여러 팀에서도 이 툴을 폭넓은 차량 부품에 적용하기를 희망하고 있습니다.

기술 심층 분석: Virtual Teardown Assistant의 구현 방식

이 혁신적인 툴은 어떻게 만들어졌을까요? 이번 섹션에서는 유니티의 시니어 소프트웨어 개발 컨설턴트인 다니엘 비어위드가 Virtual Teardown Assistant를 탄생시킨 아키텍처, 기술, 엔지니어링적 접근법을 자세히 설명합니다.

필수 구성 요소

Virtual Teardown Assistant는 Unity Asset Manager를 기반으로 하며, 이 확장 가능한 플랫폼을 통해 세밀한 분해도의 렌더링 과정을 간소화합니다. 시스템은 자동화된 API를 통해 LLM 파이프라인에 직접 연결함으로써 출력 데이터를 손쉽게 전송합니다.

이 솔루션의 핵심은 Unity Pipeline Automation입니다. 시스템을 연결하고, 데이터를 변환하며, 3D 콘텐츠를 대규모로 업데이트하는 로우코드 인터페이스입니다. 파이프라인은 유연한 클러스터의 가상 머신에서 실행되며 이벤트, 일정 또는 온디맨드 방식을 통해 트리거될 수 있습니다. 자세한 내용은 아래 부록에서 확인하세요.

Unity Asset Transformer SDK는 프로세스를 가속화하며, 70개 이상의 3D 및 CAD 파일 형식을 지원합니다. 이 SDK를 사용하면 에셋 수집, 최적화 및 표준화가 처리되므로 에셋을 어떠한 실시간 3D 워크플로에도 쉽게 통합할 수 있습니다.

중앙 집중식 디지털 에셋 관리 허브(여기서는 BMW 그룹의 3D Mine)는 모든 것을 체계적으로 정리하고 접근성을 높입니다. 덕분에 여러 팀에서는 복잡한 실시간 3D 에셋을 한곳에서 검색하고 관리하면서 협업할 수 있으며, 이를 통해 생산 속도가 높아지고 확장 가능한 고품질의 디지털 경험을 구축할 수 있게 됩니다.

Virtual Teardown Assistant 파이프라인 단계

Virtual Teardown Assistant 파이프라인은 자동화된 데이터 처리, 시각화, AI 기반 인사이트를 결합하여 복잡한 3D 엔지니어링 모델 분석 프로세스를 간소화합니다.

파이프라인 개요

이 워크플로는 Model Load Action이 Unity Asset Manager/3D Mine에서 선택한 3D 엔지니어링 모델을 JT 형식으로 불러오는 것으로 시작됩니다. 그와 동시에 시스템 필터 파일이 로드되어 전체 제품 모델 내의 특정 하위 시스템을 분리합니다. 두 작업은 모두 그래픽 파이프라인 인터페이스를 통해 구성됩니다.

일반적인 활용처에서 파이프라인은 수천 개의 부품과 수백만 개의 폴리곤으로 구성되어 있으며 완전한 엔지니어링 모델을 포함한 수 기가바이트 이상의 JT 파일을 처리합니다.

데이터 처리 및 변환

Asset Manager에서 모델이 로드되면, 파이프라인이 Asset Transformer SDK가 설치된 가상 머신에서 실행되는 커스텀 Python 스크립트를 통해 주요 작업을 처리합니다. 이 스크립트는 전체 JT 모델을 로드합니다. Asset Transformer SDK는 이전 파이프라인 단계에서 CSV 파일로 가져온 필터 테이블을 사용하여 데이터 세트의 개별 부품에 필터링 메커니즘을 적용하고 관련 시스템 부품을 분리하는 데 사용됩니다.

다음으로 SDK 알고리즘을 통해 머티리얼 프로퍼티를 추출하고 조정하여 각 부품에 고유한 색상을 지정함으로써 명확하게 시각적으로 구분할 수 있도록 합니다. 이는 레이블이 지정된 부품 정보로, BOM 및 형상 프로퍼티와 함께 LLM이 차량 모델을 분석하는 데 활용됩니다.

분리된 부품들은 계층적 관계와 형상적 관계를 모두 고려하는 커스텀 알고리즘을 사용하여 분해됩니다. LLM을 이용한 시각적 분석을 위해서는 부품들이 적절하게 분리되어 있어야 하며 캡처 카메라에 명확하게 보여야 합니다.

애플리케이션은 파이프라인 인터페이스를 통해 커스텀 설정을 분해 및 렌더링 레시피로서 적용하여 제품 및 시스템 특성에 따라 파이프라인 설정을 동적으로 수정할 수 있습니다.

Asset Transformer SDK는 레이블이 지정된 시스템의 분해도를 처리 파이프라인의 일부로 렌더링하는 데 사용되는 클라우드 렌더링 기능을 제공합니다. 이렇게 생성된 시각적 데이터는 인적 검토와 AI 분석 모두의 기반이 됩니다.

데이터 익스포트 및 AI 분석

또한 커스텀 스크립팅 함수는 BOM을 모든 시스템 부품에 대한 메타데이터가 포함된 CSV 파일로 내보내며, Asset Transformer SDK 함수를 사용하여 각 부품의 형상적 특성을 계산합니다. BOM은 렌더링된 분해도와 함께 3D Mine에 저장됩니다.

이제 AI가 작업을 이어받습니다. Pipeline Automation 인터페이스가 다음과 같이 LLM에 HTTP 요청을 전송하여 분해도, BOM, 시스템 설명을 제공합니다.

• 먼저 파이프라인 단계에서 렌더링된 이미지와 BOM을 시스템 설명, LLM 지침, 프롬프트와 함께 요청 본문에 인코딩하여 LLM 요청에 대한 페이로드를 생성합니다.
• LLM은 입력 데이터를 종합적으로 분석한 후, 설계 구조 관련 주요 인사이트, 소재 및 부품 결합 전략, 제조 가능성 평가, 1차 성능 KPI 추정치, 신뢰도 평가가 포함된 가정, 설계 개선 제안 등이 포함된 텍스트 파일을 반환합니다.

결과와 영향

파이프라인의 마지막 단계에서는 AI가 생성한 벤치마크 보고서와 레이블이 지정된 분해도를 Asset Manager에 다시 업로드하여 직원들이 중앙 집중식으로 참조할 수 있게 합니다. 이를 통해 부품을 실제로 분해하기도 전에 일찌감치 벤치마크를 확인할 수 있습니다.

Virtual Teardown Assistant 파이프라인은 복잡한 CAD 처리 및 시각화 작업을 자동화하는 한편, AI 기반 인사이트를 통합하여 초기 제품 분석에 활용할 수 있는 강력한 툴을 제공합니다. 확장 가능한 파이프라인 자동화, 실시간 렌더링, 고급 LLM 평가 기능의 결합으로 실제 활용 가능한 엔지니어링 벤치마크를 도출하는 데 필요한 시간과 비용을 크게 절감할 수 있습니다.

향후 전망 살펴보기

현재 Virtual Teardown Assistant는 실제로 배포되고 있으며 주요 시스템에 대해 일관된 렌더링 결과를 제공합니다. 하지만 아사닌 박사 팀의 여정은 이제 막 시작되었을 뿐입니다.

이들의 계획은 향후 2년 동안 시스템의 확장성을 최적화하고 BMW의 CAD 저장소와 같은 내부 시스템에 툴을 직접 연결하는 것입니다. 이를 통해 다양한 각도에서 사진을 촬영하여 더욱 세밀하게 분석하고, 특정 부품을 집중적으로 분석하여 품질을 개선할 수 있습니다. 아사닌 박사의 팀은 비전 알고리즘과 대규모 언어 모델을 결합하는 것이 확장성을 위한 관건임을 파악했습니다.

유사한 솔루션 도입을 고려하는 기업에 전하는 메시지는 분명합니다. 실제 문제를 선택하고, 신속하게 POC를 완료한 후 결과를 통해 가치를 입증하세요. 전략도 중요하지만, 실질적 효과를 입증하는 것만큼 조직을 효과적으로 설득할 수 있는 방법은 없습니다. 일단 가시적 효과가 나타나면, IT 부문에서 밀어붙이지 않아도 비즈니스 측에서 먼저 자연스럽게 확장을 원하게 될 것입니다.

BMW 그룹은 유니티의 생태계를 활용하여 단순히 차량을 시각화하는 데 그치지 않고, AI에게 자동차에 대한 이해를 학습시킴으로써 더욱 스마트하고 신속하며 데이터 중심적인 차량 엔지니어링의 미래를 만들어 가고 있습니다.