현재까지 알려진 인간의 뇌는 우주에서 가장 복잡한 구조를 가지고 있다. 이에 비해 행성이나 별, 심지어 펄서(Pulsar)나 블랙홀과 같은 미지의 천체들도 양자역학의 무작위적 변이에 따라 휘어지는 원자 입자들의 집합체에 불과하다.

무게가 평균 1.4kg에 이르는 인간의 뇌는 고도로 상호 연결된 조직적이고, 효율적인 860억 개의 뉴런(그리고, 같은수의 보조 세포)으로 구성되어 있다. 유기체 컴퓨터와도 같은 우리의 뇌는 모차르트(Mozart)의 교향곡이나 아인슈타인(Einstein)의 이론, 토니 모리슨(ToniMorrison)의 소설 등과 같은 결과물을 만들어 낼 수 있다.



하지만 뇌는 지각 능력 없이는 이러한 작업을 수행할 수 없다. 시각과 청각,촉각, 미각 및 후각으로 이뤄진 인간의 감각은 대뇌 물질이 외부 세계와 상호작용하거나, 계산하고, 분석하고, 즐기고, 기억하는데 사용하는 모든 데이터를 제공한다. 따라서 이러한 감각이 없다면, 대뇌는 완전히 고립된 회백질의 덩어리에 불과하게 될 것이며, 일부 전문가들에 따르면, 기본적인 의식조차 결여된 상태가 될 것이다.

IoT(Internet of Things)라는 개념을 처음으로 제시한 케빈 애슈턴(Kevin Ashton)은 스미소니언(Smithsonian) 매거진과의 대담에서 “세상에는 사람들이 키보드로 입력하거나 바코드로 스캔할 수 있는 것보다 수십억 배 더 많은 정보들이 있다. 21세기에는 IoT를 통해 컴퓨터가 스스로 사물을 감지하게 될 것이다”고 말했다.

IoT는 전기기계 및 전자식 센서를 사용하여 정보를 수집하며, 이러한 ‘감지 능력(센서)’은 인간의 뇌에 시각과 청각의 역할이 중요한 것처럼 분산된 디지털 뇌에도 매우 중요하다. IoT 센서는 실제 세계와 클라우드 기반 디지털 트윈 간의 중요한 인터페이스를 형성하며, 디지털 트윈의 정확성과 발전 방식 또한 대부분 수집된 데이터의 빈도와 정밀도에 의해 결정된다.

그러나 인간의 센서(감각)가 380 ~700nm 사이의 빛과 20Hz ~ 20kHz 사이의 소리와 같이 상대적으로 좁은 범위의 자극에 제한되어 있는 것과 달리, 엔지니어들은 IoT 센서를 이용해 저주파수 진동에서 높은 습도 또는 낮은 광도는 물론, 높은 일산화탄소 농도에 이르기까지 거의 모든 것을 감지할 수 있다. 다양한 변수를 측정할 수 있는 광범위한 센서들이 공급되면서 엔지니어들은 해당
IoT 애플리케이션에 필요한 센서를 정확하게 선택할 수 있게 되었다.

분석회사인 맥킨지(McKinsey)에 따르면 이는 시작에 불과하다. 이 회사는 최근 기사에서 “IoT 기기에 내장된 센서 기술은 계속해서 더 발전하고, 저렴해지고,더 널리 보급될 것이다. 이러한 가용성과 비용 효율성을 통해 대규모 모니터링 및감지 등을 비롯한 새로운 센서 애플리케이션이 등장하게 될 것이다”고 언급했다.

아날로그에서 디지털로

인간이 살아가는 세상은 아날로그이고, 컴퓨터 세상은 디지털이다. 우리의 세상은 빛이나 온도, 소리가 계속해서 변화하며, 인간은 생체 센서를 통해 색상(예를들어, 우리의 눈은 수백 가지의 회색조를 식별할 수 있음)이나 온도 또는 주파수의 미세한 차이까지 확인할 수 있다.

그러나 IoT의 분산형 지능은 이와 다르다. IoT 컴퓨터는 계산에 사용되는 데이터에 대한 개별 값이 필요하고, 이에 맞게 센서도 조정되어야 한다. 이를 위해 엔지니어들은 압력이나 전압, 또는 거리 등과 같은 사물의 연속 신호들을 개별 디지털 표현 방식으로 변환하기 위해 ADC(Analog-to-Digital Converter)를 사용한다.

ADC는 일정한 간격으로 입사 아날로그 파형을 샘플링하고, 해당 지점의 규모를 나타내는 디지털 값을 할당한다. 연속 파형을 나타낼 수 있는 디지털 값이 한정되어 있기 때문에 이산적이고, 균일한 단계로 규모를 증가하거나 감소시켜 원래의 파형을 효과적으로 ‘양자화’하여 크기를 나타내게 된다. 따라서 샘플링 속도가 빠르고, 양자화가 작을수록 보다 정확하게 아날로그 신호를 디지털 신호로 매핑할 수 있다.

샘플링 이론에 따르면, 오류를 방지하기 위한 최소한의 샘플링 속도가 있다. 즉, 스퓨리어스 신호가 나타나는 현상인 ‘에일리어싱(Aliasing)’을 방지하기 위해 샘플링 주파수는 신호 주파수의 최소 두 배가 되어야 한다는 것이다. 예를 들어, 최대 주파수가 20kHz인 신호는 초당 40,000번(40kHz) 이상 샘플링해야 한다.

센서 안에 직접 ADC를 통합하여 아날로그 신호를 측정하고, 디지털 값을 출력하거나 또는 아날로그 입력에 비례하는 아날로그 신호를 출력한 다음, 컴퓨팅 디바이스의 다운스트림 ADC를 통해 디지털 값으로 변환할 수도 있다.
공기질 측정

눈이나 귀, 코와 같은 자연적 센서들은 매우 정교한 생물학적 엔지니어링 사례라 할 수 있다. 예를 들어, 인간의 눈은 5억5천만 년 동안 발전해 왔다. 200만 개의 부분으로 구성되어 있지만, 무게는 30g에 불과하고, 백만 개의 신경 섬유를 사용해 뇌에 메시지를 전달한다. 그래도 독수리의 시력에는 미치지 못한다. 아직 자연적 센서와 동등한 수준은 아니지만, 독창적인 엔지니어들에 의해 인상적인 센서들이 개발되었다.

예를 들어, 공기 중 휘발성 유기성분(VOC: Volatile Organic Components)의 농도를 확인하여 공기질을 정확하게 측정할 수 있는 센서도 개발되었다. 주로 사용되는 유형은 주기적으로 수백 도까지 가열되는 반도체 센서이다. 이 센서는 원하는 온도에 도달한 뒤 대상 VOC를 흡수하게 되면, 저항 또는 전도성이 변하게 된다. 이러한 변화는 VOC의 양에 비례한다. 하지만 온도와 습도에 따라 흡수율이 영향을 받기 때문에 대부분의 공기질 센서는 보다 정확한 판독값을 위해 대기 조건을 보정할 수 있는 다른 적절한 센서와 함께 사용되는 경우가 많다.

소형의 IoT 애플리케이션에 주로 사용되는 공기질 센서 중 보쉬 센서텍(Bosch Sensortec)의 BME680이 있다. 이 BME680은 3×2×0.93mm 크기의 패키지에 공기질과 습도, 압력 및 온도 감지 기능을 통합하고 있다. 이 보쉬 센서는 노르딕 세미컨덕터(Nordic Semiconductor)의 셀룰러 IoT 프로토타이핑 플랫폼인 Nordic Thingy:91에 포함되어 있다. Nordic Thingy:53도 이와 유사한 센서들을 제공한다.



"공기질 모니터링 시장이 빠르게 확장하면서 사용자들은 현장에서 실시간 자산 추적을 위한 조치를 취할 수 있도록 무선으로 온도와 압력, 습도 및 휘발성 유기화합물(Volatile Organic Compounds)을 추적할 수 있는 솔루션을 필요로 하고 있다."
_보쉬 센서텍의 마케팅 부사장, 피터 위건드(Peter Weigand) 박사

컬러 및 광 센서와 가속도계를 비롯해 공기질 센서까지 모두 갖추고 있는 노르딕 Thingy:91의 주요 애플리케이션 중 하나는 자산 추적이다. 이 프로토타이핑 플랫폼은 노르딕의 최신 자산 추적 애플리케이션과 함께 제공된다.


"비전문가들도 자산추적에 대한 개념 증명(PoC: Proof-of-Concept)을 쉽고 빠르게 수행할 수 있을 뿐만 아니라 동일한 코드와 개발환경을 사용하여 해당 PoC를 상용 제품으로 간단하게 전환할 수도 있다."
_노르딕의 제품 마케팅 디렉터, 페터 마이어(Petter Myhre)
 
IoT 애플리케이션은 수십 개의 센서를 사용할 수도 있지만, 대부분은 상대적으로 적은 수의 메인 센서를 사용하는 경우가 많다. 예를 들어, IoT 기기가 주변 조건을 판단할 수 있도록 온도와 습도, 공기질 및 압력 등과 같은 유형의 센서들이 일반적으로 사용된다.

노르딕 솔루션을 채택한 IoT 기기 중 하나인 센서파이드.이오(sensified.io)의 Seguro 120은 콜드 체인 애플리케이션에 매우 중요한 온도 변동을 기록하기 위해 내장된 온도 센서를 이용한다. 이외에도 야생동물 과학 연구 분야에 사용되는 IoT 기기인 드루이드 테크놀로지(Druid Technology)의 DEBUT ULTRA 5G는 비행 중인 동물 주변의 미기후를 측정하기 위해 온도 및 기압 센서를 이용한다.

광 센서는 거실이 어두워지면 조명의 작동 여부를 결정하거나 그림자로 인한 조도 변화를 통해 움직임을 감지하는데 사용되는 또 다른 유형의 일반적인 센서이다. 또한 입사 조명의 주파수까지 감지할 수 있어 백색광 검출기 보다 더 정교한 컬러 센서도 있다. 이러한 센서는 녹색 광을 피부에 조사한 다음, 빛의 흡수율을 측정하여 혈류를 감지하는 웨어러블 IoT 기기에 매우 유용하다. 어거스트 인터내셔널(August International)의 E2 스마트 워치는 컬러 센서를 이용하여 착용자의 혈중 산소 농도를 측정한 다음, 노르딕의 셀룰러 IoT 기술을 통해 클라우드에 결과를 보고할 수 있다.



가속도계는 IoT 기기의 방향과 움직임을 감지하는데 사용된다. 간단하게 말하면, 가속도계는 질량과 압전 크리스털 소재로 구성되는데, 진동이나 가속으로 인해 질량이 영향을 받으면, 관성이 압전 소재를 압착하여 가속도에 비례하는 전압을 생성하게 된다.

이러한 가속도계는 스마트폰과 웨어러블 및 자산 트래커 등과 같은 무선 기기에 널리 사용되고 있다. 체코의 스타트업인 드론태그(Dronetag)의 Dronetag Mini는 흥미로운 애플리케이션 중 하나이다. 이 제품은 속도 및 가속도를 추적하는 가속도계를 통합하여 무인 항공기(UAV: Unmanned Aerial Vehicle)가 안전하게 비행하는지 확인하고, 노르딕의 셀룰러 IoT 기술을 이용해 클라우드와 연결한다.

가속도계와 자이로스코프(경우에 따라 자기장을 측정하는데 사용되는 센서인 자력계)를 결합한 관성 측정장치(IMU: Inertial Measurement Unit)는 한 단계 더 나아가 움직이는 물체를 측정할 수 있다. IMU는 자유낙하에 대한 가속도(소위 적정 가속도)와 고정 기준에 대한 방향 및 각도 회전율을 측정할 수 있다. IMU는 게임이나 실내 내비게이션 등 다양한 애플리케이션에서 3차원으로 움직이는 사물을 추적하는데 유용하다.



센서 마에스트로스(Sensor Maestros)는 자사의 웨어러블용 IMU인 센서 융합 모듈(Sensor Fusion Module)의 무선 연결을 위해 노르딕의 블루투스 LE 기술을 이용하고 있다. 이 모듈은 3축 자이로스코프와 3축 가속도계, 3축 자력계를 통합하여 현기증 및 어지럼증과 같은 장애진단 지원을 비롯해 보행 분석, 스포츠 모션, 충격 분석 등과 같은 사람의 모션 애플리케이션을 목표로 하고 있다.

한편 유체나 입자 또는 분말에 대한 레벨 감지 또한 탱크 및 사일로에 대한 유지보수 방문 관리를 줄이고, 직원들이 위험물질 또는 유해환경에 노출되는 것을 제한하기 위해 점점 더 보편화되고 있다. 용기의 충진 레벨을 확인하기 위해 여러 방법들이 사용되고 있지만, 초음파 또는 마이크로파와 같은 비침습적 유형이 가장 널리 사용되고 있다. 이러한 센서는 신호를 방출하고, ‘에코’가 수신될 때까지의 시간을 측정하여 소재의 표면에서 정해진 센서의 위치까지의 거리를 판독한다.

핀란드의 아이프로톡시(iProtoxi)는 레벨 센서를 이용하여 산업용 IoT 기기인 Aistin Level을 개발했다. Aistin Level은 연료나 물탱크의 레벨 확인 및 쓰레기통의 충진율 확인 등과 같은 적용 사례에서 모든 표면의 레벨을 정확하게 측정할 수 있다.
 
경험이 부족한 사람들에게는 많은 유형의 IoT 센서가 큰 부담이 될 수도 있을 것이다. 또한 애플리케이션에 필요한 모델로 센서의 수를 줄인다 하더라도, 최종 기기의 크기, 배터리 및 예산에 적합한 모델을 정확하게 선택하는 것은 간단한 일이 아니다.

Thingy:91이나 노르딕의 최신 ‘Thingy’ 제품인 Thingy:53과 같은 프로토타이핑 키트는 일반적인 IoT 애플리케이션에 적합한 측정 디바이스를 내장한 플랫폼을 제공함으로써 센서 선택의 문제를 해결한다. Thingy:53은 통합 IMU와 저전력 가속도계 및 온도, 습도, 공기질 및 압력 센서와 디지털 MEMS 마이크로폰, 컬러 및 광 센서를 비롯해 다양한 센서를 갖추고 있다.

또한 노르딕은 Thingy:53을 위해 미국의 머신러닝 전문기업인 엣지 임펄스(Edge Impulse)와 협력하여 프로토타이핑 플랫폼에 머신러닝 펌웨어를 포함시켰다. 개발자들은 이 펌웨어를 이용하여 Thingy:53에서 센서 데이터를 신속하게 수집하고, 임베디드 머신러닝 모델을 테스트할 수 있다.

이러한 최신 Thingy:53을 통해 머신러닝 알고리즘에 지속적으로 데이터 스트림을 제공하는 센서의 미래를 엿볼 수 있다. 머신러닝은 IoT 시스템이 자체적으로 수집한 데이터를 학습하고, 패턴을 식별할 수 있도록 함으로써 사람의 개입이 최소화된 정보에 입각한 결정을 내릴 수 있도록 해준다.
 
센서에 머신러닝을 이용하는 실제 사례도 있다. 기술 전문지인 ZDNET에 따르면, 선구자는 바로 지멘스(Siemens)이다. 이 회사는 철도 차량과 레일에 센서를 내장한 다음, 데이터를 이용해 머신러닝 모델을 트레이닝하여 선로나 기차가 마모될 수 있는 시기를 파악함으로써 장애 발생 이전에 유지보수가 가능하도록 지원하고 있다. 또한 지멘스는 이 기술을 바탕으로 거의 모든 열차에 대한 정시 도착을 보장하는 서비스를 공급하고 있다.

한편 전 세계적으로 백만 대 이상의 엘리베이터를 운영하는 엔지니어링 회사인 티센크루프(Thyssenkrupp)는 몇 년 동안 자사의 전체 엘리베이터에 장착된 무선 센서의 데이터를 머신러닝 모델에 공급했다. 이러한 모델은 엘리베이터 상태에 대한 실시간 업데이트를 제공하고, 고장 가능성을 예측하여 회사가 예측유지보수 계획을 수립할 수 있도록 해준다.

IoT 개념을 제시한 케빈 애슈턴이 예견한 IoT의 잠재력을 극대화하기 위해서는 현재 및 미래의 센서를 기반으로 이러한 첨단 애플리케이션을 구현하는 것이 매우 중요하다. 캐빈 애슈턴은 디지노미카(Diginomica)와의 대담에서 “네트워크의 진정한 의미는 자체 정보를 수집할 수 있는 정보 기술이라는 점이다. IoT는 정보를 통해 인간에게 무언가를 말하는 것이 아니라, 그 자체로 무언가를 수행하는 것이다”고 언급했다. 이러한 최종 조치들이 이뤄지면, 모든 것을 자동화하고 최적화하여 세상을 더 나은 곳으로 만들 수 있게 될 것이다.