제 2 공동과제 : 감각운동 학습 및 제어모델 연구
Download
Report
Transcript 제 2 공동과제 : 감각운동 학습 및 제어모델 연구
감각운동 학습 및 제어모델 연구
연구책임자 : 최종호 (서울대학교)
연구원 : 최진영 (서울대학교)
이종호 (인하대학교)
연구내용
감각 운동 학습 및
제어모델 연구
인공 모델링
• 감각정보 특징 추출 및
목표물 감지방법 연구
• 상황정보 학습모델 연구
• 동작궤적의 생성방법 연구
구현
• 두발로봇 제작
• 두발로봇 시뮬레이터 제작
• 고속 신경망 칩 설계
제 2 공동과제: 감각운동 학습 및 제어모델 연구
연구내용
감각 운동 학습 및
제어모델 연구
인공 모델링
• 감각정보 특징 추출 및
목표물 감지방법 연구
• 상황정보 학습모델 연구
• 동작궤적의 생성방법 연구
구현
• 두발로봇 제작
• 두발로봇 시뮬레이터 제작
• 고속 신경망 칩 설계
제 2 공동과제: 감각운동 학습 및 제어모델 연구
연구 내용
연구목표
분류 문제를 위한 특징 추출 방법 제시 및 얼굴 인식에의 적용
기존연구
기존의 ICA 알고리즘에 Supervised learning을 이용하여 높은 분류
성능을 가진 ICA-FX 알고리즘 제안
연구의 확장
ICA-FX를 Multi-class에 적용
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Multi-Class Problem
Structure
Augmented weight
matrix W =
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Mixing and Unmixing in ICA-FX
Mixing
s
A
c
b
.
Unmixing
+ x
f +
W
u
v
W
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Experimental Results
Training Image
f3
d2
d1
Person 1
Person 2
d3
f2
d1 < min (d2,d3) good features
New Image
f1
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Facial identity recognition
Yale data (165 images, 15
persons)
AT&T data (400 images, 40
persons)
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Facial expression recognition
JAFFE data (213 images, 7 expressions)
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Conclusion
The structure and the learning rule of ICA-FX is
almost identical to standard ICA.
Easy to implement.
Good performance in the face recognition
experiments.
Future work
Class information에 따라 sample별로 학습하는 weighted
ICA-FX 구현
제 2 공동과제: 감각운동 학습 및 제어모델 연구
연구내용
감각 운동 학습 및
제어모델 연구
인공 모델링
• 감각정보 특징 추출 및
목표물 감지방법 연구
• 상황정보 학습모델 연구
• 동작궤적의 생성방법 연구
구현
• 두발로봇 제작
• 두발로봇 시뮬레이터 제작
• 고속 신경망 칩 설계
제 2 공동과제: 감각운동 학습 및 제어모델 연구
연구배경 및 목표
기존연구의 문제점
기존연구
• 기존의 학습 방법은
주어진 개별적인 상황을
학습하는 데에 적합함
• 이전 학습에서 얻어지는
정보(경험)를 활용하지
않음
Experienced case
(Learned case) :
New case 1 :
New case 2 :
• 다수의 상황을 학습하는 경우에
비효율적
• 공통된 상황을 반복해서 학습
• 많은 수의 자료와 학습시간이
필요
연구목표
• 다수의 상황을 학습하는 경우에
효율적인 학습방법 개발
• 이전 학습에서 얻어지는 정보를
재활용함
• 이전에 얻어진 정보를 분해,
재결합하여 새로운 정보를 학습
하는 데에 이용
제 2 공동과제: 감각운동 학습 및 제어모델 연구
연구결과 및 향후 연구내용
연구결과
• 학습 알고리듬을 부분적으로 개발
• 간단한 경우에 대해 실험
• Grid world에서의 Hunter-Prey task를 학습
• 낮은 자유도를 가진 단순한 이족로봇의
Stand-up motion 학습 실험
: 다수의 넘어진(fall-down) 상태가 존재
: 개별적인 경우 각각에 대해 일어서는 방법을
학습하기 곤란
• 적은 수의 경우에 대해 학습하고, 학습된 경험을 재사용하여
다양하게 변형된 task를 빠르게 학습
향후 연구계획
• 부분적으로 개발된 학습 알고리듬을 통합
• 궤적생성 알고리듬 연구와의 결합 시도
제 2 공동과제: 감각운동 학습 및 제어모델 연구
연구내용
감각 운동 학습 및
제어모델 연구
인공 모델링
• 감각정보 특징 추출 및
목표물 감지방법 연구
• 상황정보 학습모델 연구
• 동작궤적의 생성방법 연구
구현
• 두발로봇 제작
• 두발로봇 시뮬레이터 제작
• 고속 신경망 칩 설계
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Guidance algorithm을 이용한
Robot Arm Trajectory Design(1/4)
Introduction
At present, most industrial robots pick up objects from
fixtures or palletized conveyors. It is anticipated that, in
the future, a number of such works will have to be
accomplished without a priori know-ledge of the parts’
exact locations and their velocities.
-> A On-Line techniques for intercepting a moving
object via an autonomous robotic manipulator is
necessary!!
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Guidance algorithm을 이용한
Robot Arm Trajectory Design(2/4)
Robotic interception of moving objects is defined as
“Approaching a moving object and matching its location and
velocity
in the shortest possible time.”
Applicable approaches
1. Prediction-based techniques : Slow-maneuvering objects
(ex) Prediction, Planning, and Execution (PPE) Systems
2. Navigation Guidance laws : Fast-maneuvering objects
(ex) Tracking-based, Proportional Navigation Guidance
(PNG)
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Guidance algorithm을 이용한
Robot Arm Trajectory Design(3/4)
Fast-maneuvering objects를 상정한 Trajectory Design(cont’d)
Vision system으로부터 얻은 Target의 position & velocity 정
보와 Sensor로부터 얻은 Robot의 position & velocity 정보를
이용하여 Robot Arm의 Trajectory를 설계.
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Guidance algorithm을 이용한
Robot Arm Trajectory Design(4/4)
Fast-maneuvering objects를 상정한 Trajectory Design(cont’d)
Navigation Part
-> Guidance Law 적용 : PNG + Tracking-based.
d
d
sin( )
dt
dt
( : 시선 각(Line of Sight),
: 진행 방향 )
제 2 공동과제: 감각운동 학습 및 제어모델 연구
연구내용
감각 운동 학습 및
제어모델 연구
인공 모델링
• 감각정보 특징 추출 및
목표물 감지방법 연구
• 시공간적 상황정보 학습모델 연구
• 동작궤적의 생성방법 연구
구현
• 두발로봇 제작
• 두발로봇 시뮬레이터 제작
• 고속 신경망 칩 설계
제 2 공동과제: 감각운동 학습 및 제어모델 연구
연구 내용
연구목표
두발로봇을 제작하고 감각-운동 제어모델을 적용하여 보행을 구현
한다.
기존연구
상체가 없는 두발 로봇을 제작하여 static walking을 구현하였다.
연구의 확장
상체를 만들고 센서를 이용하여 ZMP를 측정하여 보행을 보정
한다.
제 2 공동과제: 감각운동 학습 및 제어모델 연구
System 구성
Robot
구성 : Trunk를 가지는 7 자유
도 ( height : 50cm )
구동 actuator : DC-micro
motor(minimotor 2224)를 이
용
모터 제어 : PC-based
control
소프트웨어 : PICARD
인터페이스 : PCL727(DA),
PCL833(Counter),
PCL815(AD)를 이용
보행 방법 : 정적, 동적 보행
제 2 공동과제: 감각운동 학습 및 제어모델 연구
소프트웨어개발
구성
PICARD
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Experiment
Slow walking
17.1steps/min.
51.4 cm/min.
제 2 공동과제: 감각운동 학습 및 제어모델 연구
0
1
120
239
358
477
596
715
834
953
1072
1191
1310
1429
1548
1667
1786
1905
2024
2143
2262
2381
2500
2619
2738
2857
2976
3095
ZMP의 변화
Stable Region
0.06
0.04
0.02
COM
ZMP
ZMP(real)
-0.02
-0.04
-0.06
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Walking
25 steps/min.
1.5 m/min.
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Conclusion
Trunk의 움직임으로 향상된 보행
센서로부터 보행의 안정성 측정
Future work
보행 속도 향상
안정성이 높은 보행 구현
제 2 공동과제: 감각운동 학습 및 제어모델 연구
연구내용
감각 운동 학습 및
제어모델 연구
인공 모델링
• 감각정보 특징 추출 및
목표물 감지방법 연구
• 시공간적 상황정보 학습모델 연구
• 동작궤적의 생성방법 연구
구현
• 두발로봇 제작
• 두발로봇 시뮬레이터 제작
• 고속 신경망 칩 설계
제 2 공동과제: 감각운동 학습 및 제어모델 연구
자유낙하모델을 이용한 두발 로봇 시뮬
레이터
Model
자유낙하 모델
중력 가속도의 가속도로 밑으로 떨어지고 있는 상태에서 몸통
이 지면과 충돌하고 있는 상태로 설정,
동역학의 출발점이 양 발끝이 아닌 몸통의 중심점으로 설정
새로운 관절을 추가할 경우 간단하게 계산 가능
• 발-몸통-팔로 이어지는 계산 과정이 발-몸통, 팔-몸통의 순서로 단
순화 되므로, 새로운 링크-몸통의 모듈 추가로 단순화 가능
목 3 팔 12, 다리 12, 허리 3, 몸통 3 자유도
제 2 공동과제: 감각운동 학습 및 제어모델 연구
자유낙하모델을 이용한 두발 로봇 시뮬
레이터
콘택트 모델
A Collision Model for Rigid and Deformable Bodies
발 밑면의 일정한 두께만큼을 고무패드로 보고 이것의 네 개의
모서리를 spring and damper로 모델링
제 2 공동과제: 감각운동 학습 및 제어모델 연구
자유낙하모델을 이용한 두발 로봇 시뮬
레이터
콘택트 모델(cont’)
중력 가속도로 떨어지
던 물체가 약간의 찌그
러짐 후 원형으로 돌아
가는 모습을 보임
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Result and furture work
높은 자유도의 로봇 모델링
추가 확장 시 용이함
자유로운 동작의 표현 가능, 동작에 표현한 힘/토크 계산
로봇 궤적 생성에 관한 연구 필요
궤적 학습에 관한 연구 필요
제 2 공동과제: 감각운동 학습 및 제어모델 연구
연구체계
감각 운동 학습 및
제어모델 연구
인공 모델링
• 감각정보 특징 추출 및
목표물 감지방법 연구
• 시공간적 상황정보 학습모델 연구
• 동작궤적의 생성방법 연구
구현
• 두발로봇 제작
• 두발로봇 시뮬레이터 제작
• 고속 신경망 칩 설계
제 2 공동과제: 감각운동 학습 및 제어모델 연구
순서
대용량 신경망칩(ERNA) 설계
주요특징 및 의의
Processing Element
ERNA Structure : MLP
ERNA Structure : Hopfield
시뮬레이션
신경망 학습
감각운동모델연구(Application)
Sensory Motor Fusion System
A Motorless Six Legged Walking Robot
제 2 공동과제: 감각운동 학습 및 제어모델 연구
주요특징 및 의의
ERNA
(Expandable & Reconfigurable Neural network Architecture)
주요특징
- 범용성 : 재구성 기능을 이용한 범용성 확보
- 확장성 : 제안된 기본 유닛을 이용하여 칩의 크기 및 칩의 외부 내부
에 제한을 받지 않고 확장 가능
- Neuron Parallelism, Pipeline 구조를 통한 고속 연산 가능
의의
- 범용성을 가진 신경회로망을 확보함으로써 다양한 연구 분야에서
활용 가능
- 진화 신경망의 구성이 가능하므로 진화 문제에 적용 가능
- 대용량 신경회로망의 구성 가능
제 2 공동과제: 감각운동 학습 및 제어모델 연구
Processing Element
<ERNA 의 기본적인 두가지 UNIT인 SPE와 LPE>
SPE
• SPE
입력된 데이터와 메모리에 저장되어 있는
RAM
ACC
256*18 bit
weight를 곱한 다음 accumulator에 누적
• LPE
LPE
누적된 데이터를 SPE로부터 입력받은후
BUS
CTRL
ACT
FTN
256*18 bit
activation function LUT를 통해서 그 값을
출력
제 2 공동과제: 감각운동 학습 및 제어모델 연구
ERNA Structure : MLP
LPE
…..
…..
SPE
SPE
SPE
SPE
SPE
SPE
SPE
SPE
LPE
<Hidden layer를 가진 MLP의 구조> <SPE와 LPE의 ladder bus구조를 이용한 MLP의 구현>
제 2 공동과제: 감각운동 학습 및 제어모델 연구
ERNA Structure : Hopfield
input
x1
y1
x2
y2
x3
y3
x4
y4
SPE
SPE
SPE
SPE
LPE
<Feedback구조를 가진 Hopfield 신경망의 구조>
<SPE와 LPE의 ladder bus구조를 이용한
Hopfield 신경망의 구현>
제 2 공동과제: 감각운동 학습 및 제어모델 연구
시뮬레이션
Feed Forward 신경망 구조 확장 검증을 위한 시뮬레이션 실시
5*6 single layer network
기본 모듈(SPE*6+LPE) 1unit을 이용한 신경망 구성
6*8 의 single layer network
기본 모듈 2unit 으로 신경망 layer구성
5*8*6 의 multi layer network
기본 모듈 2unit을 하나의 hidden layer를 구성하고 또 하나를 추가하여
MLP의 output layer를 구현
256*32*5 MLP 구성을 통한 알파벳 인식 실험
16*16 픽셀의 인쇄체 문자 인식 application 적용(모듈 7unit 사용)
300*5 single layer network 의 대용량 입력 가능성 확인
SPE 두개로 하나의 뉴런을 구현함으로써 SPE확장을 통해 허용 가능한
입력 개수의 확장 검증
현재 400*35*26 MLP 구성을 통한 알파벳 인식 실험 진행 중
SPE 두개를 이용하여 하나의 뉴런을 구성하고 다수의 기본 모듈의 확
장으로 hidden 및 output layer 를 구성하여 ERNA의 범용성 및 확장성
을 검증
제 2 공동과제: 감각운동 학습 및 제어모델 연구
신경망 학습
학습 모듈 개발 단계
현재 PC에서 pre_trained된 weight 사용
Computer based Learning (보드의 PC 인터페이스 활용)
Single Chip에 의한 Learning 모델 개발
학습 모듈
목표치에 대한 오차를 출력하는 기능을 ERNA에 추가
활성화 함수의 미분값을 저장
오차와 활성화 함수의 미분값을 이용하여 MCU를 이용해서 학습 예정
제 2 공동과제: 감각운동 학습 및 제어모델 연구
감각운동모델연구(Application)-1
Sensory Motor Fusion System
Host PC
Equalizing
50
Vision Board
2
48
…
MR-C2000
MR-C2000
2
CCD
camera
Microphone
M0 M1 M2 M3 M4 M5
소리와 영상입력을 조합하여 로봇의 모터각도를 제어
하는 모델로써 PC로 처리되는 부분은 추후 ERNA가
처리할 것임.
제 2 공동과제: 감각운동 학습 및 제어모델 연구
감각운동모델연구(Application)-2
A Motorless Six Legged Walking Robot
운동모델에 대해 단순히 모터 이외에도 다양한 actuator를 고려하는 의미
에서 접근함.
SMA(shape memory alloy)의 원리를 이용하여 서보모터를 사용하지 않고
구동하는 6족 로봇을 구현하였다. SMA는 robotstore사의 Muscle wire제품
을 사용하였다. 추후 다른 종류의 모델을 추구할 것임.
[Muscle Wire Properties]
Wire Diameter(㎛) : 100
Min.Bend Radius(mm) : 5
Wire Cross-sectional Area(㎛2) : 17,700
Contraction Speed(sec) : 0.5
Relaxation Speed (sec) : 2.5
제 2 공동과제: 감각운동 학습 및 제어모델 연구