시간과 공간의 엔트로피를 활용한 정교한 솜씨 학습 기술

Abstract

로봇 조작 문제에서, 솜씨 학습은 일반적으로 작업을 위한 연속적인 움직임 경로를 모델링하기 위해 사용한다. 조작자의 여러 번의 시연으로 얻은 움직임의 경로를 모델링하는 과정에서, 그 움직임의 경로는 여러 번의 시연들 사이에서의 공간적인 변화가 크고 작음에 따라서, 그리고 시연에서의 지속 시간이 길고 짧음에 따라서 두 가지 기준으로 동작을 4가지 성질 영역으로 분류 할 수 있다. 그러한 세부 동작들 중에서, 지속 시간이 길지만, 공간적인 변화가 작은 세부 동작은 일반적으로 정교한 동작에 해당하다 (예를 들어, 실을 바늘귀에 끼우는 동작). 그러나 그러한 세부 동작 작업을 수행함에 있어서 반드시 필요한 동작이지만, 대부분 적은 수의 파라미터에 의해 모델링된다. 왜냐하면 이러한 성질 영역의 동작은 다른 영역의 움직임에 비해서 공간의 변화가 굉장히 작기 때문이다. 그런 성질 영역의 움직임은 더 많은 파라미터에 의해 표현하였을 때 작업의 표현이 더 정확해 진다. 때문에, 로봇은 더 나은 성능을 보이며 정교한 동작을 성공적으로 수행하는 것이 가능해진다. 본 논문에서는 이러한 정교한 솜씨를 가우시안 혼합 모델으로 모델링하는 솜씨 학습 기술을 제안한다. 제안한 학습 기술은 가우시안 혼합 모델의 요소들로부터 획득한 시간과 공간의 엔트로피를 기반으로 한 베이지안 정보 기준(Bayesian Information Criterion)을 활용하여 더 많은 파라미터로 표현해야할 영역을 구분하고 학습시킴으로써, 정교한 솜씨를 표현한다. 이렇게 표현된 파라미터는 가우시안 혼합 회귀를 이용하여 로봇이 재현할 수 있는 연속된 경로로 일반화 된다. 이와 같이 학습된 모델은 본래의 모델과 비교하였을 때 더 정교하면서, 모델의 일반화 된 성질이 유지된다.본 논문에서는 우리가 제안하는 방법을 평가하기 위해, 로봇 팔을 사용한 작업에 대해 실험을 하였고 평가하였다.