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 논문은 하지근력증강로봇이 인간의 움직임을 감지하기 위한 방법을 소개하고, 감지된 인체센서 데이터를 사용해 로봇제어기가 필요로 하는 운동의도정보를 생성하는 알고리즘 기법을 다룬다. 여기서 하지근력증강로봇은 정상적인 보행 패턴을 가진 인간을 착용 대상으로 가정한다.
- 하지근력증강로봇 분야 외에도 보행단계상태를 구분하는 연구를 소개한다. 배준범 연구팀[18]은 파킨슨병 환자 등 보행이 부자연스러운 사람의 재활치료 전후 상태를 평가하기 위해 보행단계상태를 사용하는 연구를 진행하였다.
- 본 논문에서는 하지근력증강로봇의 제어를 위해 착용자의 보행단계를 구분하는 방법을 제시하였다. 먼저 발센서장치로부터 획득된 데이터를 보행단계별로 구분하여 분석하였다.
가설 설정
- 본 논문은 하지근력증강로봇이 인간의 움직임을 감지하기 위한 방법을 소개하고, 감지된 인체센서 데이터를 사용해 로봇제어기가 필요로 하는 운동의도정보를 생성하는 알고리즘 기법을 다룬다. 여기서 하지근력증강로봇은 정상적인 보행 패턴을 가진 인간을 착용 대상으로 가정한다.
- (1) 초기접촉(Initial contact) : 입각구간에 돌입하는 첫 단계로 착용자의 발뒤꿈치 부분에서 지면반력이 관측됨.
- 나이브 베이지안 기법에서 모든 특징변수 xi는 서로 조건부 독립이라고 가정한다. 특징변수가 종속 관계일지라도 이 가정에 의해 독립으로 정의하며, 이는 알고리즘의 분류 성능에 직접적인 영향을 주지 않음을 몬테카를로 시뮬레이션을 통해 입증된 바 있다[22].
제안 방법
- 하지만 본 연구에서 사용되는 인체센서는 보행단계 구분 외에도 로봇의 자세 안정성 판단 등 다양한 기능을 구현하기 위해 보다 정밀한 압력센서를 사용해 지면반력을 측정한다. 이 경우 센서가 작은 움직임에도 민감하게 반응하는 특성이 있기 때문에 기존의 방법과 같이 단순한 로직만으로는 보행단계상태 정보를 항상 정확하게 제공하기 어렵다.
- 먼저 사용하는 인체센서 장치를 통해 얻은 데이터를 사용해 이 장치의 보행단계별 특성을 분석했다. 그 결과 인체와 센서간 결착상태, 보행속도변화 등 여러 조건에 따라 측정되는 센서값의 편차가 큰 것을 확인했다.
- 그 결과 인체와 센서간 결착상태, 보행속도변화 등 여러 조건에 따라 측정되는 센서값의 편차가 큰 것을 확인했다. 이와 같이 센서값의 편차가 큰 상태에서도 보행 단계를 정확히 구분할 수 있는 방안으로 나이브-플렉시블 베이지안 보행단계구분 알고리즘을 제시한다. 이후 보행단계구분 실험을 통해 제안하는 방법의 정확성을 비교 분석한다.
- 이와 같이 센서값의 편차가 큰 상태에서도 보행 단계를 정확히 구분할 수 있는 방안으로 나이브-플렉시블 베이지안 보행단계구분 알고리즘을 제시한다. 이후 보행단계구분 실험을 통해 제안하는 방법의 정확성을 비교 분석한다.
- 배준범 연구팀[18]은 파킨슨병 환자 등 보행이 부자연스러운 사람의 재활치료 전후 상태를 평가하기 위해 보행단계상태를 사용하는 연구를 진행하였다. 지면반력을 측정하는 신발형태의 발센서장치를 사용해 인간의 8단계의 보행자세 중 지면반력이 관측 가능한 5 단계와 관측이 불가능한 3단계를 1단계로 묶어 총 6 단계로 보행단계를 구분한다. 보행단계상태 구분을 위해 HMM(Hidden Markov Model)을 사용하였다.
- 은 무릎 이하 부위가 없는 사람을 대상으로 하는 로봇의족의 제어 동작을 결정하기 위해 보행단계상태를 걷기, 일어서기, 앉기 등 3 단계로 구분하였다. 보행단계상태를 구분하기 위해 사용한 인체센서는 지면반력측정 방식 대신 로봇의족의 무릎과 발목 부위의 각도 및 토크 정보 그리고 의족을 착용하지 않은 정상적인 다리에서 측정되는 EMG와 가속도 정보 등을 측정하였다. 동작상태 분류기는 이 센서데이터를 PCA(Principal Component Analysis)와 LDA(Linear Discriminant Analysis)를 통해 데이터 차원을 축소하고 GMM(Gaussian Mixture Model)을 사용해 구축된 동작구분 데이터베이스를 기준으로 가장 유사한 동작 상태를 결정하고 있다.
- 이 경우 힘이 가해지는 순간을 보다 빨리 측정할 수 있는 장점이 있지만, 위 방법[11-14,17]과 같이 단순한 로직만으로 보행상태를 구분하면 센서값의 변화에 따라 잘못된 결과를 도출할 수 있다. 이를 극복하면서도 정확한 보행단계구분 정보를 제공하기 위해 확률적 프로세스를 사용한 나이브-플렉시블 베이지안 보행단계구분 알고리즘을 제시한다.
- 또한 입각과 유각은 모든 위치의 센서가 임계값 이상이거나 이하인 경우로 판단할 수 있다. 위의 유각 단계에서처럼 일부 센서에서 원하지 않는 센서값이 관측 될 수 있으므로 모든 센서값의 합을 기준으로 유각과 입각을 구분하였다. 센서 합의 임계값은 5.
- k 개의 특징변수와 n 개의 훈련데이터, m 개의 실험데이터를 처리하는 경우, 나이브-플렉시블 베이지안 분류 알고리즘의 훈련시간복잡도는 O(kn), 훈련공간복잡도는 O(k(n+1)), 실제데이터를 처리하는 실험시간복잡도는 O(mk(n+1))이다. 제안하는 알고리즘으로 보행단계를 구분하는 경우 특징변수가 k = 8이므로 사이버 시스템은 O(8(n+1))의 훈련된 파라미터 저장 공간이 필요하며, 보행단계구분을 실시간으로 처리하기 위해서는 매 순간 O(8(n+1))의 연산을 시스템 클럭 이내에 처리할 수 있어야 한다. 단, 훈련시간복잡도는 O(8n)이지만 이는 오프라인 상에서 수행되어 로봇시스템으로 전달되므로 알고리즘의 실시간 구동과는 관련이 없다.
- 보행단계구분 알고리즘을 학습하기 위해 기록된 실험 데이터를 영상 자료를 기준으로 보행 단계를 4 구간으로 나누었다. 그 결과 전체 데이터에서 초기접촉은 10.
- 먼저 보행단계를 단순히 2단계로 구분하는 실험을 통해 간단한 상황에서 각 알고리즘들의 분류 정확도 분석을 실시한 뒤 본 논문에서 확인하고자 하는 4단계 보행구분 분류 정확도 분석을 실시하였다.
- 첫 번째 실험에서 보행단계를 입각구간과 유각구간등 2단계로 구분하는 경우에 대한 각 알고리즘 별 정확도를 평가하였다. 실험 데이터별로 보행단계구분 정확도를 비교한 결과는 그림 8 (a)와 같다.
- 두 번째 실험에서는 보행단계를 초기접촉, 입각, 사전유각, 유각 등 4단계로 구분하는 경우에 대한 각 알고리즘별 구분정확도 평가를 실시하였다. 그림 9 (a) 는 실험 데이터별 보행단계구분 정확도 결과를 보여준다.
- 그림 10은 “SLOW” 데이터집합의 4단계 보행구분 결과이다. 시간 순으로 보행단계를 구분한 결과를 육안으로 구분한 결과(점선)와 비교하였다. 나이브-플렉시블 베이지안 방법의 구분 정확도가 육안으로 구분한 결과와 가장 유사함을 볼 수 있다.
- 본 논문에서는 하지근력증강로봇의 제어를 위해 착용자의 보행단계를 구분하는 방법을 제시하였다. 먼저 발센서장치로부터 획득된 데이터를 보행단계별로 구분하여 분석하였다. 이 장치의 특성을 극복하면서 높은 정확도로 보행단계상태 정보를 제공할 수 있는 나이브-플렉시블 베이지안 보행단계구분 알고리즘을 제안하였다.
- 먼저 발센서장치로부터 획득된 데이터를 보행단계별로 구분하여 분석하였다. 이 장치의 특성을 극복하면서 높은 정확도로 보행단계상태 정보를 제공할 수 있는 나이브-플렉시블 베이지안 보행단계구분 알고리즘을 제안하였다. 이 후 2단계 및 4단계 보행단계 구분 정확도 실험에서 제안하는 방법과 임계치 기반의 보행단계구분 방법 및 나이브 베이지안 구분 방법의 정확도 성능을 비교분석하였다.
- 이 장치의 특성을 극복하면서 높은 정확도로 보행단계상태 정보를 제공할 수 있는 나이브-플렉시블 베이지안 보행단계구분 알고리즘을 제안하였다. 이 후 2단계 및 4단계 보행단계 구분 정확도 실험에서 제안하는 방법과 임계치 기반의 보행단계구분 방법 및 나이브 베이지안 구분 방법의 정확도 성능을 비교분석하였다.
- 본 실험은 실내 환경에서 정상인이 일반적인 보행 속도(4 km/h)로 이동하는 경우에 대해서만 다루었다. 로봇의 운용환경은 다양한 지형 조건, 착용자의 빠른 보행속도, 인간과 로봇 움직임 간의 간섭 등 실제 발생 가능한 복합적인 상황 하에서 알고리즘의 성능 분석은 다루지 못하였다.
대상 데이터
- 또한 보행단계상태 구분도 센서 위치별로 값이 감지됨과 되지 않음을 조합해 결정하는 단순한 방법을 사용한다. 본 연구의 발센서장치는 FSR센서보다 민감한 특성을 가진 센서를 구성하여 사용하고 있다. 이 경우 힘이 가해지는 순간을 보다 빨리 측정할 수 있는 장점이 있지만, 위 방법[11-14,17]과 같이 단순한 로직만으로 보행상태를 구분하면 센서값의 변화에 따라 잘못된 결과를 도출할 수 있다.
- 실험 환경은 그림 7과 같이 하지근력증강로봇을 착용하고 트레이드밀 위를 걸을 수 있도록 구성하였다. 실험에 사용된 로봇은 최대 45 kg의 하중을 짊어진 상태에서 최고 4 km/h의 속도로 보행할 수 있으며, 무릎과 엉덩이 관절 부위에 각각 구성된 로봇구동기를 통해 작동한다.
- 실험 환경은 그림 7과 같이 하지근력증강로봇을 착용하고 트레이드밀 위를 걸을 수 있도록 구성하였다. 실험에 사용된 로봇은 최대 45 kg의 하중을 짊어진 상태에서 최고 4 km/h의 속도로 보행할 수 있으며, 무릎과 엉덩이 관절 부위에 각각 구성된 로봇구동기를 통해 작동한다.
- 실험 데이터는 실험 인원이 로봇을 착용하고 트레이드밀 위에서 보행속도를 달리하며 걸을 때 발센서 장치에서 나오는 데이터를 표 2와 같이 획득하였다. 첫 번째 데이터 “SLOW”는 트레이드밀 위를 평균 2 km/h 속도로 걷는 것으로 6.
데이터처리
- 제안하는 나이브-플렉시블 알고리즘은 Ⅲ-2 절에서 소개된 임계치 기반 방법 그리고 정규분포로만 모델링된 나이브 베이지안 방법과 정확도를 비교하였다. 샘플링에 의한 오차를 최소화하기 위해 베이지안 분류 방법의 정확도는 4-묶음 교차검증 방법으로 구하였다.
- 제안하는 나이브-플렉시블 알고리즘은 Ⅲ-2 절에서 소개된 임계치 기반 방법 그리고 정규분포로만 모델링된 나이브 베이지안 방법과 정확도를 비교하였다. 샘플링에 의한 오차를 최소화하기 위해 베이지안 분류 방법의 정확도는 4-묶음 교차검증 방법으로 구하였다.
이론/모형
- 지면반력을 측정하는 신발형태의 발센서장치를 사용해 인간의 8단계의 보행자세 중 지면반력이 관측 가능한 5 단계와 관측이 불가능한 3단계를 1단계로 묶어 총 6 단계로 보행단계를 구분한다. 보행단계상태 구분을 위해 HMM(Hidden Markov Model)을 사용하였다. 정상적인 보행패턴을 가진 사용자 정보와 착용자의 보행패턴이 얼마나 유사한지를 확률적으로 표현하고 있다.
- 조건부 확률 p(c|x)을 구하기 위해 나이브 베이지안 기법[21]을 적용하였다. 식 (2)와 같이 베이즈 규칙에 의해 표현가능하다.
- |c)은 정규분포와 커널밀도분포를 함께 사용해 구성하였다. 정규분포모델은 나이브 베이지안 기법에서 주로 사용되며, 전역적인 특성을 잘 표현하기 때문에 특징변수 x1 , x2 , x3 , x4의 우도함수를 나타내는데 사용하였다. 또한 커널 밀도분포모델은 나이브 베이지안 기법의 변종인 플렉시블 베이지안 기법[26]에서 처음 제시되었다.
성능/효과
- 먼저 사용하는 인체센서 장치를 통해 얻은 데이터를 사용해 이 장치의 보행단계별 특성을 분석했다. 그 결과 인체와 센서간 결착상태, 보행속도변화 등 여러 조건에 따라 측정되는 센서값의 편차가 큰 것을 확인했다. 이와 같이 센서값의 편차가 큰 상태에서도 보행 단계를 정확히 구분할 수 있는 방안으로 나이브-플렉시블 베이지안 보행단계구분 알고리즘을 제시한다.
- (3) 사전유각(Pre-swing) : 유각구간에 돌입하는 첫단계로 발가락 부분에서 지면반력이 관측됨.
- 첫 번째 데이터 “SLOW”는 트레이드밀 위를 평균 2 km/h 속도로 걷는 것으로 6.43 초간 4 회의 보행주기가 기록되었다.
- 세 번째 데이터 “VARIABLE”은 2～ 4 km/h 사이의 가변적인 속도로 걷는 것으로 약 95 초간 75 회의 보행주기가 기록되었다.
- 두 번째 데이터 “NORMAL”은 평균4 km/h 속도로 걷는 것으로 10 초간 10 회의 보행주기가 기록되었다.
- 제안하는 보행단계구분 알고리즘의 복잡도는 나이브 베이지안과 플렉시블 베이지안 기법의 알고리즘 복잡도표[26]에 의해 계산 가능하다. k 개의 특징변수와 n 개의 훈련데이터, m 개의 실험데이터를 처리하는 경우, 나이브-플렉시블 베이지안 분류 알고리즘의 훈련시간복잡도는 O(kn), 훈련공간복잡도는 O(k(n+1)), 실제데이터를 처리하는 실험시간복잡도는 O(mk(n+1))이다.
- 보행단계구분 알고리즘을 학습하기 위해 기록된 실험 데이터를 영상 자료를 기준으로 보행 단계를 4 구간으로 나누었다. 그 결과 전체 데이터에서 초기접촉은 10.9 %, 입각은 44.8 %, 사전유각은 13.8 %, 유각은 30.5 %의 비율로 나타났다.
- 실험 데이터별로 보행단계구분 정확도를 비교한 결과는 그림 8 (a)와 같다. 제안하는 방법인 나이브-플렉시블 베이지안 방법이 모든 데이터 집합에서 평균 98.9 %의 정확도로 가장 높은 보행단계 구분 결과를 나타내며 그 다음으로 나이브 베이지안 방법이 97.2 %, 임계치 기반 방법이 93.2 %의 보행단계 구분 정확도를 보여준다. 나이브-플렉시블 베이지안 방법과 나이브 베이지안 방법은 모든 데이터 집합에서 유사한 구분 정확도를 보여주고 있지만 임계치 기반의 분류 방법의 경우 앞서 예상하였던 대로 보행 속도의 변화에 따라 구분 정확도가 약 87 %까지 낮아지는 결과를 보여준다.
- 2 %의 보행단계 구분 정확도를 보여준다. 나이브-플렉시블 베이지안 방법과 나이브 베이지안 방법은 모든 데이터 집합에서 유사한 구분 정확도를 보여주고 있지만 임계치 기반의 분류 방법의 경우 앞서 예상하였던 대로 보행 속도의 변화에 따라 구분 정확도가 약 87 %까지 낮아지는 결과를 보여준다. 이는 보행속도가 변화하는 경우 센서값의 변화가 발생하며 이에 따라 임계값도 적절히 변경해야 하는 것을 시사한다.
- 또한 모든 데이터집합에서 각 클래스 별로 보행단계구분 정확도는 그림 8 (b)와 같다. 세 방법 모두 입각 구간에서 평균 96.7 %의 높은 구분 정확도를 보여 주고 있지만 유각구간에서는 다른 두 방법과 달리 임계치 기반 방법이 약 70 %로 가장 낮은 보행단계구분 정확도를 보여주고 있다. 보행 속도 변화 및 신발과 센서장치간 결착 상태의 변화 등 다양한 조건 변화에 의해 센서값이 측정되어 유각구간을 입각 구간으로 30 %의 경우를 잘못 판단하였다.
- 7 %의 높은 구분 정확도를 보여 주고 있지만 유각구간에서는 다른 두 방법과 달리 임계치 기반 방법이 약 70 %로 가장 낮은 보행단계구분 정확도를 보여주고 있다. 보행 속도 변화 및 신발과 센서장치간 결착 상태의 변화 등 다양한 조건 변화에 의해 센서값이 측정되어 유각구간을 입각 구간으로 30 %의 경우를 잘못 판단하였다. 따라서 단순히 2단계로 구분하는 상황에서도 임계치 구분 방법은 모든 보행단계를 적절히 구분할 수 없음을 보여준다.
- 실험 결과 임계치 기반 보행단계구분 방법은 보행 속도가 변화하는 경우 보행단계 구분정확도가 낮음을 볼 수 있지만, 제안하는 방법은 보행속도가 변하더라도 구분정확도가 높음을 확인했다. 특히 4단계 구분에서 나이브 베이지안 방법의 경우 입각과 유각 단계 구분은 비교적 높은 구분 정확도를 보여 주었으나 초기 접촉과 사전유각 단계의 구분의 정확도는 높지 않은 것으로 나타났다.
- 실험 결과 임계치 기반 보행단계구분 방법은 보행 속도가 변화하는 경우 보행단계 구분정확도가 낮음을 볼 수 있지만, 제안하는 방법은 보행속도가 변하더라도 구분정확도가 높음을 확인했다. 특히 4단계 구분에서 나이브 베이지안 방법의 경우 입각과 유각 단계 구분은 비교적 높은 구분 정확도를 보여 주었으나 초기 접촉과 사전유각 단계의 구분의 정확도는 높지 않은 것으로 나타났다. 이에 반해 제안하는 나이브-플렉시블 베이지안 보행단계구분 방법은 이러한 경우를 포함하여 모든 보행단계에서 구분 정확도가 높게 나타나는 것을 확인하였다.
- 특히 4단계 구분에서 나이브 베이지안 방법의 경우 입각과 유각 단계 구분은 비교적 높은 구분 정확도를 보여 주었으나 초기 접촉과 사전유각 단계의 구분의 정확도는 높지 않은 것으로 나타났다. 이에 반해 제안하는 나이브-플렉시블 베이지안 보행단계구분 방법은 이러한 경우를 포함하여 모든 보행단계에서 구분 정확도가 높게 나타나는 것을 확인하였다.
- 또한 제안하는 알고리즘은 현재 측정된 센서값을 이용해 보행단계를 구분하고 있으므로 순간적인 노이즈 발생에 의해 잘못된 판단을 할 가능성이 있다. 따라서 향후 연구를 통해 로봇의 실제 운용환경의 특성 분석과 함께 이와 같은 상황에서도 동작 가능한 알고리즘에 대한 개선을 진행하고자 한다.
후속연구
- 또한 제안하는 알고리즘은 현재 측정된 센서값을 이용해 보행단계를 구분하고 있으므로 순간적인 노이즈 발생에 의해 잘못된 판단을 할 가능성이 있다. 따라서 향후 연구를 통해 로봇의 실제 운용환경의 특성 분석과 함께 이와 같은 상황에서도 동작 가능한 알고리즘에 대한 개선을 진행하고자 한다.
- 하지근력증강로봇을 국방 및 재난 환경 등 실용적인 목적으로 사용하려면 본 논문에서 소개하는 보행 단계구분 알고리즘 외에도 로봇 제어 알고리즘, 메커니즘 및 부품 설계, 센서통신 네트워크 등 다양한 분야의 연구 및 기술 개발이 필요하며, 이들을 유기적인 통합 및 전체 로봇 시스템 측면의 발생 가능한 문제 분석 및 개선 연구도 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.