$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

거울 뉴런 시스템의 모방적 동기화 및 학습 기능 기반 HRI 응용 기술 개발 원문보기

제어·로봇·시스템학회지 = iCROS, v.20 no.2, 2014년, pp.31 - 38  

고광은 (중앙대학교 전자전기공학부) ,  심귀보 (중앙대학교 전자전기공학부)

초록
AI-Helper 아이콘AI-Helper

인간의 행동을 통해 내재된 의도를 인식하고 그 의도에 대응하는 서비스를 제공할 수 있는 능력을 로봇에게 부여하기 위한 연구의 일환으로 모방적 동기화 및 학습에 의한 인간-로봇 상호작용(Human-Robot Interaction, HRI) 시스템의 개발이 주목받고 있다. 하지만 인간이 관찰과 모방을 통해 목적을 가진 행동을 학습하는 과정은 감각 정보를 대응하는 운동 정보로 연계하고 모방 주체와 모방 대상 간의 물리적 상태의 차이를 보정하고 관측된 행동에 내재된 의도 또는 목표를 이해하는 복잡한 메커니즘 단계의 연속이기 때문에 이를 수행하기 위한 기술개발이 필요하다. 본고에서는 실제 인간이 수행하는 모방적 동기화 및 학습에 관여하는 것으로 추정되는 거울뉴런 시스템에 대하여 소개하고 이를 HRI 시스템에 활용하기 위해 개발된 선행 기술 동향을 논하고자 한다. 또한, 본 연구실에서 관련하여 진행해온 관련 연구를 통해 현재 거울 뉴런 시스템의 발전 정도와 향후 활용 방안 및 가능성을 고찰해보도록 한다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 거울뉴런 시스템에 연계된 시각정보처리 영역은 선행 학습된 topological preserving map(TPM) 기반 방법을 활용하였으며, 관측행동의 목적 판단을 위한 별도의 바이어스 유닛을 적용하였다. RNN 응답 모델을 구축하기 위하여 [22]에서 활용한 MTRNN을 기반으로 네트워크 학습 방법 및 구조를 개선하는 방향으로 연구를 진행하였다. 제안하는 거울뉴런 시스템 기반 모방적 동기화 및 학습 모델은 그림 10과 같다.
  • 또한 거울뉴런 시스템과 이를 중심으로 한 내적 모델이 실제 HRI에 적용되기 위해 기존에 활용된 다양한 방법론을 소개하도록 하겠다. 거울뉴런 시스템을 이용한 HRI 시스템과 관련하여 본 연구실에서 수행된 관련 연구[24]에 대한 간략한 소개와 더불어 향후 발전 전망을 논해보고자 한다.
  • 이를 위해 거울뉴런의 생태학적 특성을 기반으로 정립된 거울뉴런 시스템의 동작 메커니즘과 그 기능을 구현한 다양한 기술 동향들을 분석하고자 한다. 또한 거울뉴런 시스템과 이를 중심으로 한 내적 모델이 실제 HRI에 적용되기 위해 기존에 활용된 다양한 방법론을 소개하도록 하겠다. 거울뉴런 시스템을 이용한 HRI 시스템과 관련하여 본 연구실에서 수행된 관련 연구[24]에 대한 간략한 소개와 더불어 향후 발전 전망을 논해보고자 한다.
  • 본 논문에서는 거울뉴런 시스템과 이를 중심으로 하는 중추신경계 모델을 구현하기 위한 이론적 배경과 선행된 관련 기술 동향들을 소개하였다. 거울뉴런의 생태학적 특성을 인간-로봇 상호작용 시스템에 적용하기 위하여 신경망, 확률 추론 기법, 동적 시스템 등의 다양한 방법들이 활용되었으며 대부분의 연구는 주어진 실험환경 조건에서 좋은 성능을 보였다.
  • 본 논문에서는 거울뉴런 시스템에 기반한 중추신경계 모델을 기반으로 관찰된 행동에 대한 모방 학습 및 동기화 기능을 주목하였다. 이를 위해 거울뉴런의 생태학적 특성을 기반으로 정립된 거울뉴런 시스템의 동작 메커니즘과 그 기능을 구현한 다양한 기술 동향들을 분석하고자 한다.
  • 지금까지 소개한 연구들은 관측행동을 기반으로 모방학습 및 동기화 수행을 목적으로 거울뉴런 시스템의 생태학적 특성에 대한 모델링을 다양한 방향에서 시도해왔다. 본 연구실에서도 이와 관련된 연구를 수행하였는데, 행동 시퀀스로 구성된 3차원 입력 데이터를 시각입력으로 정의하고 이에 대응하는 운동입력간의 모방적 동기화 및 학습과정을 구현하려 하였다. 이를 위해 생체조직 거울뉴런 시스템에서 수행되는 것과 유사하게 동기화 및 학습 과정이 구현하도록 SRM을 기반 LIF 모델로 새로운 RNN 응답 모델을 제시하고 이를 core-mirror circuit으로 활용하였다.
  • 본 장에서는 거울뉴런 시스템과 이에 연계된 중추신경계 모델을 구현하기 위해 기존에 선행된 방법론 가운데 대표적인 사례들을 소개하도록 하겠다.

가설 설정

  • ①감각 정보를 대응하는 운동 정보로 연계하고 ②모방 주체와 모방대상 간의 물리적 상태의 차이를 보정하고 ③관측된 행동에 내재된 의도 또는 목표를 이해해야 한다. 이러한 내재된 의도는 거울뉴런 시스템만으로 해석이 불가능하기 때문에 신경과학자들은 모방적 동기화 및 학습에 기여하는 중추 신경계에 연결된 내적 모델이 추가로 존재한다고 가정하였다. 그림 1은 거울뉴런 시스템의 기능을 모델링한 ‘core-mirror circuit’과 시각적 정보 처리 및 관측 행동 목적 이해를 제어하는 별도의 모듈들을 도시하고있다.
  • 이를 입증하기 위하여 fMRI, EEG, PET 등의 뇌 영상 및 뇌 활동전위 측정 실험을 통해 목적을 가진 행동을 직접 수행하거나 다른 사람의 행동을 관찰하는 동안 활성화되는 대뇌 피질 영역의 반응성을 확인하여 다양한 결과를 얻게 되었다[5]. 이를 통해 확인된 거울뉴런으로 추정되는 신경세포의 집단을 거울뉴런 시스템이라 명명하였으며 해당 영역의 위치와 주요 기능들은 원숭이 실험을 통해 확인된 거울뉴런의 위치 및 기능에 유사하고 저수준의 운동에 대한 모방에 관여하는 것으로 추정된다는 가설이 세워지게 되었다[5].
  • 하지만 인간의 경우 원숭이를 통한 실험과는 다르게 거울뉴런에 해당하는 단일 세포만을 분류해서 실험하기가 실질적으로 어렵고 단일 신경 세포만으로는 저차원의 행동일지라도 이해와 모방이 불가능하기 때문에 어떤 신경계 구조가 존재하여 거울뉴런의 기능을 포함하여 수행한다는 가설을 세워졌다. 이를 입증하기 위하여 fMRI, EEG, PET 등의 뇌 영상 및 뇌 활동전위 측정 실험을 통해 목적을 가진 행동을 직접 수행하거나 다른 사람의 행동을 관찰하는 동안 활성화되는 대뇌 피질 영역의 반응성을 확인하여 다양한 결과를 얻게 되었다[5].
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
어포던스의 정의는? 행동의 대상이 되는 객체와 행동을 수행하는 본체의 상태를 기반으로 객체-본체 간의 상호작용 관계성과 객체에 의해 유발되는‘grasp’어포던스를 계산하는 기능을 구현을 목표로 하였다[6]. 어포던스는 객체를 쥐기위한 그립의 형태로 정의하였으며, F5, F2의 행동인지 영역과 46, F6의 운동명령 생성 영역, M1의 운동 수행 영역 간의 데이터 흐름을 정의하여그림2의 모델을 개발하였다. FARS 모델을구성하는세부 뇌 영역은 이후 개발된 MNS 시리즈 모델의 구축에 큰 영향을끼쳤다.
거울뉴런의 발견은 어떻게 시작되엇나 Ramachandran의 주장과 같이90년도 중반 발견되어 최근 10여년간 급속도로 발전해온 거울뉴런 이론은 신경과학 분야에서 뿐만 아니라 다양한 학제 간 분야에 큰 영향을 끼쳤다. 거울뉴런의 발견은 전운동피질(premotor cortex, PMC)에 의해 제어되는 것으로 추정되는 운동행위에 대한 인식 과정을 발표한 Rizzolatti et. al[1][2]의 연구에 의해 시작되었다. 발표내용 중에는 짧은 꼬리원숭이가 손으로 물체를 잡거나 의도를 가지고 이 물체를 조정할 때 이를 제어하는역할을 수행하는 대뇌피질상의 영역을 관찰하기 위한 침습적인 실험이 포함되어 있었는데, 짧은 꼬리 원숭이의 하두정피질(inferior parietal lobule, IPL)에 전극을 설치하고음식과 같은 특정 객체에 손을 내미는 (reaching) 과정을 관장하는 신경세포들의 분포와 그 활동량을 측정하였다.
인간이 행동을 학습하는 과정은 어떤 메커니즘으로 이루어졌나 하지만 인간이 실제로 관찰과 모방을 통해 목적을 가진 행동을 학습하는 과정은 훨씬 복잡한 메커니즘의 연속체이다. ①감각정보를 대응하는 운동정보로 연계하고 ②모방주체와 모방대상간의 물리적 상태의 차이를 보정하고 ③관측된 행동 에내재된 의도 또는 목표를 이해해야 한다. 이러한 내재된 의도는 거울뉴런 시스템만으로 해석이불가능하기 때문 에신경과학자들은 모방적 동기화 및 학습에 기여하는 중추 신경계에 연결된 내적 모델이 추가로 존재한다고 가정하였다.
질의응답 정보가 도움이 되었나요?

참고문헌 (24)

  1. G. Rizzolatti, L. Fadiga, V. Gallese, and L. Fogassi, "Premotor cortex and the recognition of motor actions," Cogn Brain Res, vol. 3, pp. 131-141, 1996. 

  2. V. Gallese, L. Fadiga, L. Fogassi, and G. Rizzolatti, "Action recognition in the premotor cortex," Brain, vol. 119 (Part 2), pp. 593-609, 1996. 

  3. E. Kohler, C. Keysers, M. A. Umilta, L. Fogassi, V. Gallese, and G. Rizzolatti, "Hearing sounds, understanding actions: action representation in mirror neurons," Science, vol. 297, pp. 846-848, 2002. 

  4. V. Gazzola, L. Aziz-Zadeh, and C. Keysers, "Empathy and the somatotopic auditory mirror system in humans," Curr Biol, vol. 16, pp. 1824-1829, 2006. 

  5. G. Rizzolatti and L. Craighero, "The mirror-neuron system," Annu Rev Neurosci, vol. 27, pp. 169-192, 2004. 

  6. A. H. Fagg and M. A. Arbib, "Modeling parietal-premotor interactions in primate control of grasping," Neural Netw, vol. 11, pp. 1277-1303, 1998. 

  7. E. Oztop and M. A. Arbib, "Schema design and implementation of the grasp-related mirror neuron system," Biol Cybern, vol. 87, pp. 116-140, 2002. 

  8. J. Bonaiuto, E. Rosta, and M. Arbib, "Extending the mirror neuron system model, I. Audible actions and invisible grasps," Biol Cybern, vol. 96, pp. 9-38, 2007. 

  9. M. A. Umilta, E. Kohler, V. Gallese, L. Fogassi, L. Fadiga, C. Keysers, and G. Rizzolatti, "I know what you are doing. a neurophysiological study," Neuron, vol. 31, pp. 155-165, 2001. 

  10. J. Bonaiuto and M. A. Arbib, "Extending the mirror neuron system model, II: what did I just do? A new role for mirror neurons," Biol Cybern, vol. 102, pp. 341-359, 2010. 

  11. L. Fogassi, P.F. Ferrari, B. Gesierich, S. Rozzi, F. Chesi, G. Rizzolatti," Parietal lob: from action organization to intention understanding,"Science, vol. 308, pp. 662-667, 2005 

  12. F. Chersi, P. F. Ferrari, and L. Fogassi, "Neuronal chains for actions in the parietal lobe: a computational model," PLoS One, vol. 6, p e27652, 2011. 

  13. F. Chersi, "Learning Through Imitation: a Biological Approach to Robotics," Autonomous Mental Development, IEEE Transactions on, vol. 4, pp. 204-214, 2012. 

  14. S. Thill, H. Svensson, and T. Ziemke, "Modeling the Development of Goal-Specificity in Mirror Neurons," Cognit Comput, vol. 3, pp. 525-538, 2011. 

  15. J. M. Kilner, K. J. Friston, and C. D. Frith, "Predictive coding: an account of the mirror neuron system," Cognitive Processing, vol. 8, pp. 159-166, 2007. 

  16. J. M. Kilner, K. J. Friston, and C. D. Frith, "The mirror-neuron system: a Bayesian perspective," Neuroreport, vol. 18, pp. 619-623, 2007. 

  17. K. Friston and S. Kiebel, "Predictive coding under the free-energy principle," Philos Trans R Soc Lond B Biol Sci, vol. 364, pp. 1211-1221, 2009. 

  18. K. J. Friston, J. Daunizeau, J. Kilner, and S. J. Kiebel, "Action and behavior: a free-energy formulation," Biological Cybernetics, vol. 102, pp. 227-260, 2010. 

  19. J. Tani, M. Ito, and Y. Sugita, "Self-organization of distributedly represented multiple behavior schemata in a mirror system: reviews of robot experiments using RNNPB," Neural networks : the official journal of the International Neural Network Society, vol. 17, pp. 1273-1289, 2004. 

  20. M. Ito and J. Tani, "On-line imitative interaction with a humanoid robot using a dynamic neural network model of a mirror system," Adaptive Behavior, vol. 12, pp. 93-115, 2004. 

  21. R. Yokoya, T. Ogata, T. Jun, K. Komatani, and H. G. Okuno, "Experience Based Imitation Using RNNPB," Intelligent Robots and Systems, 2006 IEEE/RSJ International Conference on, vol., pp. 3669-3674, 2006. 

  22. Y. Yamashita and J. Tani, "Emergence of functional hierarchy in a multiple timescale neural network model: a humanoid robot experiment," PLoS Comput Biol, vol. 4, p e1000220, 2008. 

  23. H. Arie, T. Arakaki, S. Sugano, and J. Tani, "Imitating others by composition of primitive actions: A neuro-dynamic model," Robotics and Autonomous Systems, vol. 60, pp. 729-741, 2012. 

  24. K.E. Ko, K.B. Sim, "Computational Model of Mirror Neuron System for Intent Recognition through Imitative Learning of Objective-Directed Action," Journal of Institute of Control, Robotics and Systems (in Korean), vol. 20, no. 6, pp. 1-6, 2014 

저자의 다른 논문 :

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로