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
- 앞서 RNNPB를 이용한 모방학습 기능을 구현한 Tani[3]나 인지-실행 계층적 모델을 구축한 Demaris [10]와 같은 기존의 연구에서와 같이 의도적 행동의 대상을 인지하는 과정과 이에 대한 모방을 통한 의도를 파악하는 과정이 각각 필요하다. 본 논문에서는 RNNPB의 학습 과정을 보완하고 이를 토대로 동적 행동의 관측 입력에 내재된 행동의 의도를 추정하기 위한 계산 모델을 구축하였다.
- 본 논문에서는 특정 객체와 그에 대한 활용 목적을 가지는 임의의 손동작에 대한 인식을 기반으로 의도를 추론하기 위하여 행위자 역할의 사용자와 관측자 역할의 로봇 에이전트 간에 제한된 실험 공간 및 목표 객체에 대한 시뮬레이션 시나리오를 구상하였고, 이를 바탕으로 의도 인식 시스템입, 출력을 계산하였다. 의도 인식 수행을 위한 거울 뉴런 계산 모델은 선행 연구에 따라 Recurrent Neural Network with Parametric Biases (RNNPB)를 토대로 구축하였으며[3] 기존의 RNNPB를 개선하기 위해 구조, 파라미터 학습 과정을 보완하였다.
- 본 논문은 거울 뉴런 시스템의 계산 모델을 제안하고 이를 기반으로 HRI 시스템에서의 목적성 행위에 대한 의도 인식을 수행하기 위한 프레임워크를 연구하였다. 거울 뉴런 계산 모델은 RNNPB를 기반으로 구축되었으며 사슬 모델과의 연동을 통해 거울 뉴런이 분포한 대뇌 피질 영역의 주요 동작 수행 과정을 모델링하였다.
가설 설정
- (s2) 다면체 형 객체를 집어 작업 공간 상에 위치 시키고 구체 형 객체는 작업 공간에서 집어 내린다.
- (s3) 격자 무늬 객체들을 집어 작업 공간 위에 위치시키고 다른 객체는 작업 공간에서 집어 내린다.
- 거울 뉴런 시스템의 계산 모델을 기반으로 목적성 행위의 의도 추정을 위한 모방학습 기능 구현을 위해 본 논문에서는 다음 그림 8과 같은 예시의 HRI 프레임워크를 설계하였다. 본 프레임워크에는 다 관절 액츄에이터를 이펙터로 활용하는 로봇 에이전트를 관측자로 가정하고 관측자가 제어 가능한 행동 유발 특성이 내재되었다고 가정된 객체들로 시뮬레이션 환경을 구축하였다. 이 때 로봇 에이전트는 KINECT 센서를 통해 수집되는 3차원 움직임 데이터 및 객체 인식 데이터를 기반으로 대응 행동을 계산 수행하게 되는데 구체화된 과정은 다음 그림 7과 같다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.