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 보행 단계 분류기를 제안하였다. 분류기는 입력으로 한쪽 다리의 관절 각도와 지면반발력을 이용하며, 7개의 나뉘는 보행 단계를 출력한다.
- 본 논문에서는 보행 주기를 일곱 단계로 분류하기 위해 한쪽 다리의 두 개의 관절 각도와 지면반발력을 입력으로 사용하는 역전파 신경망 기반 보행 단계 분류기에 대해서 제안한다.
제안 방법
- 각 보행 단계의 진행을 용이하게 확인하기 위해 gray code 출력을 보행 단계에 따라 순차적으로 10(부하반응기), 20(중간디딤기), …, 70(후기흔듦기)이 되도록 변환하여 표현하였다.
- 반면 세 번째 오차의 경우, 재활로봇의 제어와 같은 응용에서 보행 단계에 의존하는 제어명령의 변동이 심해져서 문제가 발생할 수 있다. 따라서 세 번째 종류의 오차에 중점을 두고 결과를 분석하였다.
- 보행 단계 분류기를 개발하기 위해 오류 역전파 신경망을 사용하였다. 오류 역전파 신경망 알고리즘은 지도 학습(supervised learning)알고리즘으로서 이상적인 출력과 실제 출력 사이의 평균 제곱 오차에 해당하는 비용함수의 값을 최소화하기 위하여 경사 추적방법(gradient descent method)을 사용한다.
- 분류기의 입력인 엉덩, 무릎 관절 각도와 지면반발력의 값은 외골격 센서 시스템을 통해 측정되었다. 외골격 센서 시스템은 시상평면에서의 관절의 움직임을 측정하기 위해, 각 다리 엉덩이 및 무릎에 각 한 개의 encoder를 갖추었다.
- 사람의 걸음주기는 매 걸음마다 일정하지 않으므로 각 보행 주기는 0에서 100의 구간을 가지도록 정규화되었다. 이후, 정규화를 거친 여섯 주기의 관절 각도와 지면00반발력들의 평균값을 구하였다. 이때 정규화한 지면반발력의 평균치는 0보다 큰 값을 가질 경우 1로 변경함으로써 지면접촉상태를 뜻하는 값으로 변경하였다.
- 외골격 센서 시스템은 시상평면에서의 관절의 움직임을 측정하기 위해, 각 다리 엉덩이 및 무릎에 각 한 개의 encoder를 갖추었다. 지면반발력을 측정하기 위해서는 각 발바닥 부분에 여덟 개의 FSR을 장착하였다. 정상인이 외골격 센서 시스템을 착용하고 걷게 되면 센서 시스템으로 부터 관절 각도와 지면반발력이 출력되며 이 값들을 분류에 사용하게 된다.
- 정상인이 외골격 센서 시스템을 착용하고 걸음을 걸어서 분류기 평가를 위한 데이터를 획득하였다. 총 5번의 실험을 통해 데이터를 획득하였으며 각 실험에서 8주기에 걸친 보행을 하였다. 보행은 오른쪽 다리를 앞으로 내딛으며 시작하였고, 8주기의 보행이 완료됨과 동시에 오른쪽 다리가 디딤기 상태가 되도록 하였다.
대상 데이터
- 보행 단계 분류기를 구성하는 신경망을 학습시키기 위해 학습 데이터 집합을 구성하였다. 학습 데이터 집합이란 입력 데이터와 출력 데이터가 쌍으로 결합 되어 신경망의 학습에 이용되는 데이터를 의미한다.
- 정상인이 외골격 센서 시스템을 착용하고 걸음을 걸어서 분류기 평가를 위한 데이터를 획득하였다. 총 5번의 실험을 통해 데이터를 획득하였으며 각 실험에서 8주기에 걸친 보행을 하였다.
- 각 보행 단계의 진행을 용이하게 확인하기 위해 gray code 출력을 보행 단계에 따라 순차적으로 10(부하반응기), 20(중간디딤기), …, 70(후기흔듦기)이 되도록 변환하여 표현하였다. 총 5회의 실험 중 결과 분석을 위해 그래프 상에서 학습데이터 집합의 보행 단계와 가장 비슷하게 나타난 그래프와 가장 다르게 나타난 그래프 각 1개씩을 선정하였다. 분류 결과를 살펴보면 대체적으로 보행단계가 순서대로(부하반응기부터 후기흔듦기까지) 분류되는 것을 확인할 수 있다.
- 학습 데이터 집합이란 입력 데이터와 출력 데이터가 쌍으로 결합 되어 신경망의 학습에 이용되는 데이터를 의미한다. 학습 데이터의 입력으로는 외골격 센서 시스템으로부터 획득한 여섯 주기에 걸친 보행 데이터(엉덩이와 무릎의 관절 각도 및 지면반발력)를 이용하였다. 사람의 걸음주기는 매 걸음마다 일정하지 않으므로 각 보행 주기는 0에서 100의 구간을 가지도록 정규화되었다.
이론/모형
- 이를 이진수로 표현한다면 세 개의 이진수로 표현할 수 있다. 보행 단계를 표시할 때, 오차를 줄이기 위하여 서로 인접한 두 수의 부호어가 1비트만큼 다르게 되어 있는 gray code를 사용하였다. 각 보행 단계에 따른 2진수 표현은 표 2와 같다.
- 이때, 학습 데이터를 입력과 출력층에 반복적으로 제공하고 입력 데이터에 의해 계산된 출력 값을 출력층에서 기대되는 값과 비교하여 오차가 줄어드는 방향으로 뉴런사이의 가중치를 조정해 나간다[9]. 신경망은 세 개의 뉴런을 갖는 입력층, 스무 개의 뉴런을 갖는 은닉층 한 개, 세 개의 뉴런을 갖는 출력층으로 구성하였으며, 활성화 함수로는 시그모이드 함수(sigmoid function)를 사용하였다.
성능/효과
- 각 실험에서 분류 오차는 실험 순서에 따라 21 %, 15 %, 17 %, 21 %, 18 %로 나타났다. 결과로 나타난 오차의 유형은 실제 적용에서는 큰 고려대상이 되지 않는 첫 번째, 두 번째 오차가 대부분임을 확인할 수 있다.
- 총 5회의 실험 중 결과 분석을 위해 그래프 상에서 학습데이터 집합의 보행 단계와 가장 비슷하게 나타난 그래프와 가장 다르게 나타난 그래프 각 1개씩을 선정하였다. 분류 결과를 살펴보면 대체적으로 보행단계가 순서대로(부하반응기부터 후기흔듦기까지) 분류되는 것을 확인할 수 있다. 다만 때때로 중간흔듦기와 후기흔듦기를 오인하는 경우가 발생하고, 마지막 걸음에서 부하반응기와 중간디딤기를 오인하는 문제가 발생함을 확인할 수 있다(실험2).
- 분류기의 성능을 확인하기 위해 다섯 번의 실험을 수행한 결과 분류 된 보행 단계와 실제 보행 단계가 유사함을 확인할 수 있었다.
- 첫걸음(보행의 시작부분)과 계속걸음에서는 첫 번째, 두번째 유형의 오차를 제외한 다른 오차를 거의 찾아볼 수 없으며 전체적인 보행 단계의 분류결과가 학습데이터 집합과 유사하게 나타났다. 그러나 마지막 걸음(보행의 끝 부분)에서는 각 실험마다 중간디딤기에서 후기디딤기가 되는 경우(실험1)와 부하반응기에서 시작하여 중간디딤기를 거쳐 후기디딤기가 되는 경우(실험2)로 나뉘었다.
- 분류기의 성능을 확인하기 위해 다섯 번의 실험을 수행한 결과 분류 된 보행 단계와 실제 보행 단계가 유사함을 확인할 수 있었다. 한편, 5회의 실험에서 평균 18.4 %의 오차가 발생하였으나 오차의 유형이 실제 응용에서 큰 고려대상이 되지 않는 종류이므로 분류기의 사용가능성을 확인할 수 있다. 향후 연구 계획으로 현재의 보행 단계 분류기도 실제 응용이 가능하지만, 정확성을 더 높이기 위하여 실험 2의 계속 걸음에서 발생한 중간흔듦기와 후기흔듦기의 오인문제 및 마지막 걸음에서 발생한 부하반응기와 중간디딤기의 오인문제를 해결해 나갈 계획이다.
후속연구
- 4 %의 오차가 발생하였으나 오차의 유형이 실제 응용에서 큰 고려대상이 되지 않는 종류이므로 분류기의 사용가능성을 확인할 수 있다. 향후 연구 계획으로 현재의 보행 단계 분류기도 실제 응용이 가능하지만, 정확성을 더 높이기 위하여 실험 2의 계속 걸음에서 발생한 중간흔듦기와 후기흔듦기의 오인문제 및 마지막 걸음에서 발생한 부하반응기와 중간디딤기의 오인문제를 해결해 나갈 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.