선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 HyperNEAT를 기반으로 구성된 신경망을 사용하여, 바이올로이드로 구현된 4족 보행로봇을 기반으로 한 시뮬레이션 환경에서 보행을 제어하였다.
제안 방법
- Webots 시뮬레이터상에서 바이올로이드 4족 보행로봇을 대상으로 실험하기 위하여 프로젝트에 로봇의 디바이스의 선언과 활성화를 포한한 실험 코드와 헤더를 추가하고, 실험들을 정의하고 관리하는 코드에 실험 ID와 입출력 파일 관계를 추가한다. HyperNEAT의 주요 프로젝트인 HyperCubeNEAT_Base와 HyperCube_NEAT에 webots의 라이브러리 폴더를 참조하고, 컨트롤러의 라이브러리 역시 추가한다(그림 4).
- 신경망의 해석에 의해서 출력이 계산되며, 이 값을 로봇에 전달하여 이동하는 과정을 반복하는 실험을 진행한다. 로봇의 초기 위치에서 동작을 멈춘 위치의 값을 빼고 움직인 방향에 따라서 가중치를 주어 계산된 적합도를 기준으로 HyperNEAT의 진화과정을 진행한다.
- 본 논문에서는 HyperNEAT를 사용하여 각 관절의 현재 값의 영향을 고려한 4족보행로봇의 걸음새 자동생성기법을 구현하고 물리적 특성이 포함된 Webots 시뮬레이터를 사용하여 걸음새를 실험하고 그 결과를 분석한다.
- 본 논문에서는 바이올로이드로 구성된 4족 보행 로봇을 대상으로 하여 각 다리의 무릎과 어깨 관절의 총 8개의 관절 상태와 문턱값 바이어스를 입력노드로 사용하고, 관절의 다음 목표 값을 출력 노드로 구성했다.
- 본 논문에서는 우선적으로 평지와 장애물 환경을 대상으로 10회를 반복하여 실험하였고, 적합도는 재연을 통하여 재측정 하였다. 적합도의 단위는 미터(m)로, 클수록 단위시간당 이동 거리가 긴 것을 의미한다.
- webots의 바이올로이드 4족 보행로봇의 로봇, 관절, 센서를 매칭 시키고, 디바이스들을 활성화 시킨 뒤, 각 개체마다 약15초 동안 약100ms단위로 로봇의 현재 관절 값을 읽어와 신경망의 입력에 전달한다. 신경망의 해석에 의해서 출력이 계산되며, 이 값을 로봇에 전달하여 이동하는 과정을 반복하는 실험을 진행한다. 로봇의 초기 위치에서 동작을 멈춘 위치의 값을 빼고 움직인 방향에 따라서 가중치를 주어 계산된 적합도를 기준으로 HyperNEAT의 진화과정을 진행한다.
- 적합도의 단위는 미터(m)로, 클수록 단위시간당 이동 거리가 긴 것을 의미한다. 실험 1회당 15초 동안 로봇을 동작시켰다.
- 초기에는 기구학과 동역학의 계산을 통하여 좌표계에서 로봇의 움직임을 제어하여 안정하게 보행하도록 계획하는 방법을 사용하였으나 이러한 직접 설계 방법은 매우 복잡한 과정을 거쳐야하고, 환경의 변화마다 재계산을 해야 하는 문제가 있다. 이런 문제를 보완하여 연구된 걸음새 자동생성방법은 발의 궤적, 스텝 수 초기자세 등의 파라미터의 최적화를 통해서 발의 자취를 생성하고 관절이 자취를 추종하는 방식을 사용했다[1]. 하지만 이런 걸음새 생성방법은 로봇의 현재 상태를 반영하지 못하는 단점이 있다.
- 프로그램은 디바이스와 변수의 선언, 디바이스 활성화, 진화연산의 3부분으로 구현한다. webots의 바이올로이드 4족 보행로봇의 로봇, 관절, 센서를 매칭 시키고, 디바이스들을 활성화 시킨 뒤, 각 개체마다 약15초 동안 약100ms단위로 로봇의 현재 관절 값을 읽어와 신경망의 입력에 전달한다.
대상 데이터
- 시뮬레이션 실험의 대상으로 바이올로이드로 제작한 4족 보행로봇의 형태를 모델링하여 사용하였다[11]. 바이올로이드는 국내 로보티즈 사에서 개발된 로봇 키트로 모터와 센서, 연결 프레임 등의 모듈로 구성되어 로봇을 특정 형태로 구성하기에 편리하며, 각 모터의 분해능과 토크가 우수하여 로봇의 구성과 실험에 적합하다.
- 시뮬레이션 환경은 Cyberbotics사의 Webots를 사용하였다. Webots는 로봇이나 물체에 대한 모델링, 프로그래밍, 그리고 시뮬레이션 기능을 제공하는 로봇 시뮬레이션 S/W로서, 물리적 특성을 위한 ODE(Open Dynamics Engine) 라이브러리를 포함하고 있다.
- 실험에 사용된 환경은 2가지로 평면과 장애물이 존재하는 지형(그림 6)이다. 장애물은 높이 5cm(로봇 높이의 약 1/6)의 작은 언덕 모양으로, 총 11개 장애물이 로봇의 보행 경로 상에 존재한다. 현재로서는 심한 굴곡보다는 간단한 적응성을 실험해볼 수 있는 약간의 굴곡만을 가진 장애물을 구성하여 사용한다.
이론/모형
- 관절수에 문턱 값을 포함시킨 9개의 입력을 사용하고 출력은 관절수대로 8개를 사용했다(그림 5(우)). 새로운 노드나 연결을 추가하는 Add와 기존의 유전자를 변형시키는 Mutate의 파라미터를 사용했다. Threshold는 매우 작은 입력을 제외하기 위해 사용되는 바이어스이다.
성능/효과
- HyperNEAT는 기존의 NEAT에 대칭, 반복, 변화 재현 등의 규칙적인 패턴을 생성하는 CPPN 기법의 개념을 추가로 구현한 신경망 구성 기법으로(그림 3), NEAT의 신경망의 구조와 연결 관계 가중치를 진화하는 기법에 기존에는 고려되지 않았던 기하학적인 개념을 추가하여 신경망을 2차원 평면 구조로 표현하고, 평면의 노드가 위치한 좌표를 CPPN의 입력으로 사용해서 신경망을 구성하는 기법이다 [6,7]. CPPN의 적용으로 기존의 신경망에서는 살펴볼 수 없었던 블랙박스안의 정보를 해석할 수 있어서 개선된 신경망의 구성과 진화가 가능하다.
- 전체적으로 HyperNEAT를 사용한 경우가 NEAT를 사용한 보행보다 뛰어난 적합도를 보였다. NEAT를 사용한 실험은 평지 환경의 경우 70세대 중반에서, 장애물 환경의 경우 100세대 중반에서 더 이상 적합도가 증가하지 않는 결과를 나타냈지만, HyperNEAT를 사용한 실험의 경우, 평지에서는 120세대 장애물 환경에서는 130세대 정도까지 적합도가 증가하는 결과를 보였다. 8개의 입력과 출력을 사용하는 환경에서 NEAT는 보다 뛰어난 해를 찾지 못한 것으로 사료된다.
- 실험결과는 표 2에 나와 있으며, 표의 적합도는 1초당 이동한 직선거리를 나타낸다. 기존 NEAT를 사용한 실험결과와 비교해 볼 때, HyperNEAT가 적합도면에서 뛰어난 결과를 보였으나, 해들 간의 편차는 더 늘어난 결과를 나타냈다. 다양성이 증가하여 높은 이동성을 가진 해와 그렇지 못한 해의 차이가 더 커진 것으로 생각된다.
- HyperNEAT를 사용한 경우 1번의 실험만을 제외하고 모두 보행에 모두 성공하여 우수한 결과를 보였다. 보행의 성공률 측면에서 HyperNEAT를 사용한 경우가 기존의 NEAT를 사용한 경우보다 평지에서는 20%, 장애물 환경에서는 50%의 보행 성공률이 증가하였다 (표 3). 여기서, 성공은 4족 로봇이 주어진 시간동안의 보행에서 넘어지지 않음을 의미한다.
- 본 논문의 HyperNEAT를 사용한 보행 제어 실험에서 4족 보행로봇이 보행에는 성공했지만, 아직까지는 자연스럽지 못한 걸음새를 나타냈고, 걸음새를 제어하는 신경망의 성장이 기대보다 낮은 결과를 보였다. 차후, 더욱 자연스럽고 안정적인 걸음새의 생성과, 불균일하고 좀 더 굴곡이 진 장애물 지형에의 적용이 필요하다
- 다양성이 증가하여 높은 이동성을 가진 해와 그렇지 못한 해의 차이가 더 커진 것으로 생각된다. 신경망을 구성하는 층수와 노드수의 관점에서 HyperNEAT를 사용한 실험에서 평균적으로 층이 다소 증가하는 결과를 나타냈고, 보행에 성공한 해들만 관찰하면 노드수가 약 3개 정도 증가하는 결과를 보였다. 위 결과에서 HyperNEAT를 사용한 해가 더 복잡한 신경망을 구성한다는 것을 알 수 있다.
- 실험 결과, 아직 자연스럽지는 못하지만 넘어지거나 뒤집 어지지 않는 낮은 걸음새를 보였고, 평지에서는 90%, 장애물 환경에서는 80%의 실험에서 보행에 성공했다. 기존의 NEAT의 결과와 비교해 볼 때, HyperNEAT가 더 로봇의 걸음새 제어에 적합한 것으로 생각된다.
- 그림 11은 장애물 환경에서 가장 우수한 결과를 나타낸 해의 화면을 나타낸다. 우측 뒷다리와 좌측 앞다리를 주로 사용해서 보행하는 결과를 보이며, 나머지 한 쌍의 다리는 몸체를 지지하는 형태로 보행했다.
- 신경망을 구성하는 층수와 노드수의 관점에서 HyperNEAT를 사용한 실험에서 평균적으로 층이 다소 증가하는 결과를 나타냈고, 보행에 성공한 해들만 관찰하면 노드수가 약 3개 정도 증가하는 결과를 보였다. 위 결과에서 HyperNEAT를 사용한 해가 더 복잡한 신경망을 구성한다는 것을 알 수 있다.
- 그림 7은 각 환경에 대한 NEAT와 HyperNEAT를 사용한 4족 보행로봇의 보행 실험의 세대별 적합도 변화를 나타낸다. 전체적으로 HyperNEAT를 사용한 경우가 NEAT를 사용한 보행보다 뛰어난 적합도를 보였다. NEAT를 사용한 실험은 평지 환경의 경우 70세대 중반에서, 장애물 환경의 경우 100세대 중반에서 더 이상 적합도가 증가하지 않는 결과를 나타냈지만, HyperNEAT를 사용한 실험의 경우, 평지에서는 120세대 장애물 환경에서는 130세대 정도까지 적합도가 증가하는 결과를 보였다.
- 좀 더 복잡한 신경망을 구성한 HyperNEAT가 다 입·출력 구조인 4족 보행로봇의 걸음새 제어 문제에 적합한 것으로 사료된다.
- 여기서, 성공은 4족 로봇이 주어진 시간동안의 보행에서 넘어지지 않음을 의미한다. 특히, 장애물 환경에서 보행 성공률의 증가가 확연한 차이를 나타내는데, 이는 CPPN의 적용을 통한 HyperNEAT의 노드간의 연결 관계 해석의 개선이 장애물 환경과 같은 어려운 환경의 적응성에 긍정적인 영향을 주는 것으로 생각된다.
후속연구
- 본 논문의 HyperNEAT를 사용한 보행 제어 실험에서 4족 보행로봇이 보행에는 성공했지만, 아직까지는 자연스럽지 못한 걸음새를 나타냈고, 걸음새를 제어하는 신경망의 성장이 기대보다 낮은 결과를 보였다. 차후, 더욱 자연스럽고 안정적인 걸음새의 생성과, 불균일하고 좀 더 굴곡이 진 장애물 지형에의 적용이 필요하다
※ AI-Helper는 부적절한 답변을 할 수 있습니다.