[논문]Evolutionary Optimization of Neurocontroller for Physically Simulated Compliant-Wing Ornithopter

Shim, Yoonsik

doi:10.9708/jksci.2019.24.12.025

Evolutionary Optimization of Neurocontroller for Physically Simulated Compliant-Wing Ornithopter 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.24 no.12, 2019년, pp.25 - 33

Shim, Yoonsik (Institute of Computer, Information and Communication, Korea University)

초록
AI-Helper

본 논문은 목표한 방향으로 자유롭게 기동할 수 있는 새 크기의 물리기반 날갯짓 비행로봇 시뮬레이션을 위한 동역학적 신경망 컨트롤러를 생성하는 통합적인 진화연산 방법을 제시한다. 제안된 진화로봇 시스템은 날갯짓 비행의 추가적인 민첩성과 안정성을 위하여 Morphological Computation 개념을 응용한 간단한 날개 순응성 모델과 그와 통합된 Mechanosensory 정보를 활용한다. 역학적으로 불안정한 날갯짓 기동의 안정성 개선을 위해 로봇의 날개는 회전스프링으로 팔의 골격에 연결된 여러개의 패널들로 모델링되어, 새의 깃털에서 영감을 받은 단순한 형태의 날개 유연성을 시뮬레이션 하도록 설계되었다. 신경망 컨트롤러 역시 생물학적으로 의미있는 좌우대칭적 연결구조를 가짐과 동시에 최대의 진화연산 탐색 가능성을 위해 두 개의 fully-connected 신경망 모듈로 이루어지며, 이를 위한 센서정보로서 항법센서와 더불어 각 날개패널의 움직임 보들이 입력되어진다. 이러한 설계는 각 패널센서로 하여금 잠재적으로 신경망의 날갯짓 패턴 생성에 관여하게 함과 동시에, 날개에 가해지는 힘의 감지와 패널의 굽어짐으로 인한 날개 순응성으로부터 얻을 수 있는 비행의 민첩성과 안정성 향상을 동시에 유도할 수 있다. 본 시스템으로 진화된 날갯짓 로봇은 실시간으로 주어지는 목표방향으로의 효과적인 기동과 함께, 외부의 공기역학적 섭동에 대하여도 더욱 안정적인 비행을 유지함을 보여준다.

Abstract ▼ AI-Helper

This paper presents a novel evolutionary framework for optimizing a bio-inspired fully dynamic neurocontroller for the maneuverable flapping flight of a simulated bird-sized ornithopter robot which takes advantage of the morphological computation and mechansensory feedback to improve flight stability. In order to cope with the difficulty of generating robust flapping flight and its maneuver, the wing of robot is modelled as a series of sub-plates joined by passive torsional springs, which implements the simplified version of feathers attached to the forearm skeleton. The neural controller is designed to have a bilaterally symmetric structure which consists of two fully connected neural network modules receiving mirrored sensory inputs from a series of flight navigation sensors as well as feather mechanosensors to let them participate in pattern generation. The synergy of wing compliance and its sensory reflexes gives a possibility that the robot can feel and exploit aerodynamic forces on its wings to potentially contribute to the agility and stability during flight. The evolved robot exhibited target-following flight maneuver using asymmetric wing movements as well as its tail, showing robustness to external aerodynamic disturbances.

주제어

표/그림 (7)

그림 Fig. 1. Ornithopter robot and aerodynamics model
그림 Fig. 2. Aerodynamic coefficients
그림 Fig. 3. Neural circuit
그림 Fig. 4. Evaluation strategy
그림 Fig. 5. Flight trajectories for: (A) steering toward target, (B) reaction for gust perturbation.
그림 Fig. 6. Trajectories of panel-wing vs rigid wing after perturbation
그림 Fig. 7. Histograms for panel-wing vs. rigid wing

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 이러한 단계적인 최적화 없이도, 한번의 연산을 사용하여 목표 지점으로의 방향전환 및 고도조절이 가능한 신경망 컨트롤을 진화시키는 진화학습 프레임을 제안한다. 이를 위해 본 연구는 생물학적으로 의미있는 간단한 개념의 대칭적 RNN 구조를 제안하여 최적화해야 할신경망 파라미터 수를 반으로 줄이면서도 효과적인 날갯짓 기동을 보일 수 있도록 하였다.
본 연구를 단계적인 최적화 방법을 사용하지 않고도 한번의 통합적 진화연산으로 steering기동과 외력에 의한 안정성 두가지를 모두 만족하는 날갯짓 로봇을 위한 진화 연산 방법을 제시하였다. 비록 제안된 시스템이 상당한 범위 내의 섭동에 대해 안정적인 기동을 보여주었으나, 향후 실제 상황과의 reality gap을 줄이기 위해 추가적인 연구가 필요하다.
본 연구는 이러한 단계적인 최적화 없이도, 한번의 연산을 사용하여 목표 지점으로의 방향전환 및 고도조절이 가능한 신경망 컨트롤을 진화시키는 진화학습 프레임을 제안한다. 이를 위해 본 연구는 생물학적으로 의미있는 간단한 개념의 대칭적 RNN 구조를 제안하여 최적화해야 할신경망 파라미터 수를 반으로 줄이면서도 효과적인 날갯짓 기동을 보일 수 있도록 하였다. 이에 더하여 동역학적으로 불안정한 날갯짓 로봇의 상충하는 문제들인 기동성과 안정성의 성공적인 조율을 위해 체화지능 (Embodied Intelligence) 분야의 방법론인 형태계산 (Morphological Computation) [14]을 구현하는 Wing compliance 및 Mechanosensory 정보를 도입하였다.
이전 연구들은 방향전환이 가능한 날갯짓 로봇 컨트롤을 진화시키기 위한 방법으로 먼저 직선비행 후 꼬리제어를 중심으로 방향전환을 추가하는 단계별 진화 방법을 사용하였으나 본 연구는 보다 전략적으로 설계된 새로운 단일평가방법을 사용하여, 걷거나 헤엄치는 로봇의 경우와 같이 한 번의 통합된 진화연산으로 기동성과 안정성 두 목표를 동시에 고려하고자 한다. 이 때, 대부분의 걷거나 헤엄치는 사지기동 로봇의 경우와 다르게, 날갯짓 기동을 위한 적합도 평가는 그 특유의 역학적 불안정함으로 인하여 보다 세심한 설계를 필요로 한다.

가설 설정

5m 이하인 경우엔 평가를 종료하였다. 그 이후에는 고도 0.3m 이하가 되면 추락으로 가정하여 시뮬레이션을 역시 종료하였다.
날개패널의 회전을 위한 각스프링은 패널의 무게가 없다고 가정한 후 일차 미분방정식으로 표현되었다. 어떤 초기 각도에서 시작할 때 패널 조인트의 각도 θ는 그 순간의 각스프링 모멘트와 패널에 가해진 힘으로 인한 모멘트가 균형을 이루는 지점으로 부드럽게 수렴하도록 구현되었다.

제안 방법

한 개체가 위치한 격자 주변의 8개 개체를 1차 이웃으로, 그 바깥의 16개 개체를 2차 이웃으로 하여 그 범위안에서 거리에 따라 교배선택 확률을 지정하였다. 각 개체를 나타내기 위한 gene encoding은 [-10000,10000] 범위의 integer의 배열로 설정하여 각각의 신경망 파라미터가 갖는 범위로 스케일링 하였다. 자식개체를 위한 선택은 Tournament selection을 사용하였으며, 1에서 3 point crossover를 각각 1/3의 확률로 사용하였다.
그러나 일반적인 여러 상황에서의 두 상황의 날갯짓 비행을 비교하기는 쉽지 않은데, 이는 날개의 물리적 특성에 따라 항상 날갯짓의 kinematics와 비행속도 등이 달라지기 때문이다[19]. 간단한 두 경우를 비교를 위해 새로이 패널의 움직임이 고정된 rigid wing를 사용하여 로봇을 진화시킨 후 비교를 진행하였다. 단단한 날개로봇의 경우 모든 패널 센서들이 제외되므로 더 적은 파라미터 탐색이라는 이점이 있었으며, 역시 성공적으로 진화 후에 좋은 비행을 보여주었다.
날갯짓 진폭과 주파수는 신경망 컨트롤러의 반복적인 날갯짓 신호의 존재여부를 강제하기 위함이며, 각각의 최소요구값(Amin =0.6rad, Fmin =2Hz)만을 만족하면 되도록 설정하였다 (A/Amin≤1, F/Fmin≤1 로 제한).
6rad, F_min =2Hz)만을 만족하면 되도록 설정하였다 (A/A_min≤1, F/F_min≤1 로 제한). 두 개의 개별 fitness의 가중치 p는 f₂에 대해서 점진적으로 변화하도록 설정하였는데, 최대 시뮬레이션 시간동안 추락하지 않고 요구된 날갯짓을 유지할 때 비로소 목표추적에 대한 점수와 1:1의 평가 가중치를 가지도록 하였다. 예를 들어, 로봇이 일찍 추락할수록 최종 적합도는 목표점으로의 기동보다 날갯짓 생성에 더욱 많은 가중치를 두게 된다.
모두 8개의 날개패널로부터의 굽힘센서 정보를 받으며, 순간적인 외력에 대한 민감도를 고려하여 패널조인트의 각속도값을 입력으로 사용하였다. 두 그룹의 RNN 사이에는 양날개의 불필요한 out-of-phase 동기화를 방지하기 위하여 연결이 없도록 하였다. 하지만 반대쪽 날개의 패널센서들의 값을 받도록 함으로써 서로 간접적으로 정보를 주고받을 수 있는 구조로 설계되었다.
그럼으로써 한 개체가 성공적으로 이륙하기 위해서는 자연스럽게 날갯짓 비행능력과 목표추적 능력을 동시에 만족 시켜야 가능하도록 평가가 이루어진다. 로봇은 마찰이 없는 지상에 놓여진 후 전방으로 초기속도 7m/s로 밀어지도록 하였으며, 시작순간에 급격한 팔의 움직임으로 인한 불안정성을 방지하기 위해 1초가 지난 후 공기항력이 적용되었다. 이륙하지 못하거나 잠시 후 추락하는 개체들에 대한 불필요한 시뮬레이션을 가려내기 위하여, 시뮬레이션 시작 후 5초 후에도 몸체의 고도가 0.
이를 통해 로봇의 yaw각도와 목표기준 고도가 측정되어 센서입력으로 주어진다. 목표지점은 측면이나 위아래로 움직이지 않으며, 대신 임의의 순간에 임의의 강도와 세기를 가진 바람을 이용한 섭동(Gust perturbation)을 주었다. 이는 이륙에 성공한 개체들에 대해 목표로의 방향전환 능력과 외부 섭동에 대한 안정성을 동시에 통합적으로 평가하는 매우 효과적인 방법으로 고안되었는데, 이를 통해 로봇은 외력이 주어지는 상황 하에서 목표지점까지의 거리를 최소화하여야만 높은 평가를 얻게 된다.
이러한 방법으로 전체 시뮬레이션 시간 동안 수 차례의 gust perturbation과 휴지기간을 랜덤한 interval로 번갈아가며 경험하게 된다. 바람의 방향은 이전 session과 유사하지 않도록 이전 방향으로부터 로봇 몸통을 중심으로 하는 구면좌표상으로 30도 이상 차이가 나도록 설정하였다.
이처럼 초기에 대부분의 개체가 최저치의 적합도를 가지게 되어 진화연산을 위한 변별력이 사라지는 bootstrap problem이 본 시스템에서는 특히 두드러진다고 할 수 있다. 이러한 문제를 조금이라도 완화하기 위하여, 본 연구는 목표 지점을 일정 고도에 위치한 후, 지상에 놓인 로봇을 정해진 초기속도를 가지도록 앞으로 밀어주는 방식으로 시뮬레이션을 시작하였다. 그럼으로써 한 개체가 성공적으로 이륙하기 위해서는 자연스럽게 날갯짓 비행능력과 목표추적 능력을 동시에 만족 시켜야 가능하도록 평가가 이루어진다.
로봇은 마찰이 없는 지상에 놓여진 후 전방으로 초기속도 7m/s로 밀어지도록 하였으며, 시작순간에 급격한 팔의 움직임으로 인한 불안정성을 방지하기 위해 1초가 지난 후 공기항력이 적용되었다. 이륙하지 못하거나 잠시 후 추락하는 개체들에 대한 불필요한 시뮬레이션을 가려내기 위하여, 시뮬레이션 시작 후 5초 후에도 몸체의 고도가 0.5m 이하인 경우엔 평가를 종료하였다. 그 이후에는 고도 0.
이를 통한 날개의 외력에 대한 순응성은 민감한 공기역학 환경 하에서 안정성을 높일 수 있고, 그에 통합된 날개의 휘어짐 센서들이 동시에 날갯짓 패턴 생성에 적극적으로 관여하도록 유도함으로써 얘기치 못한 외부의 동기역학적 섭동이 주어졌을 때 이를 감지할 수 있는 컨트롤 구조를 만들 수 있다. 이를 구현하기 위해 여러개의 passive torsional spring으로 연결된 패널들로 이루어진 날개모델을 도입하여, 외력에 대해 굽어질 수 있는 유연한 물리적 특성과 함께 굽어짐의 정도를 측정할 수 있도록 하는 간단하면서도 분석과 구현이 용이한 모델을 제시한다. 이후 섹션에서 각 부분의 자세한 기술과 함께 결과 및 논의를 기술하려 한다.
이를 위해 본 연구는 생물학적으로 의미있는 간단한 개념의 대칭적 RNN 구조를 제안하여 최적화해야 할신경망 파라미터 수를 반으로 줄이면서도 효과적인 날갯짓 기동을 보일 수 있도록 하였다. 이에 더하여 동역학적으로 불안정한 날갯짓 로봇의 상충하는 문제들인 기동성과 안정성의 성공적인 조율을 위해 체화지능 (Embodied Intelligence) 분야의 방법론인 형태계산 (Morphological Computation) [14]을 구현하는 Wing compliance 및 Mechanosensory 정보를 도입하였다. 이를 통한 날개의 외력에 대한 순응성은 민감한 공기역학 환경 하에서 안정성을 높일 수 있고, 그에 통합된 날개의 휘어짐 센서들이 동시에 날갯짓 패턴 생성에 적극적으로 관여하도록 유도함으로써 얘기치 못한 외부의 동기역학적 섭동이 주어졌을 때 이를 감지할 수 있는 컨트롤 구조를 만들 수 있다.
각 개체를 나타내기 위한 gene encoding은 [-10000,10000] 범위의 integer의 배열로 설정하여 각각의 신경망 파라미터가 갖는 범위로 스케일링 하였다. 자식개체를 위한 선택은 Tournament selection을 사용하였으며, 1에서 3 point crossover를 각각 1/3의 확률로 사용하였다. Crossover 후 각 개체의 adaptive mutation rate에 따라 돌연변이가 적용되었다.
진화로보틱스을 통한 3차원 공간 상에서 자유롭고 기동성 있는 날갯짓 비행체의 신경망 컨트롤 생성에 대한 연구는 그리 많지 않은데, Mouret[11,12]은 단계적인 목표행 동들을 순차적으로 진화시키는 방식으로 물리기반 새 로봇을 위한 신경망을 생성하였다. 첫단계로 고도를 유지하는 직진순항을 위해 대칭적 날개움직임만을 위한 RNN 신경망구조를 생성시킨 뒤 다음단계로 꼬리날개의 조절을 사용한 방향전환 컨트롤을 학습하였다. 신경망 컨트롤러뿐 아니라 새 로봇의 날개와 몸통 등 각 신체부위의 크기과 모양을 동시에 진화시키는 방법도 연구되었는데[5,6] 이는 비행체의 특성상 Aspect Ratio, Wing Loading 등 날개모양과 비행체 무게등의 물리적 관계가 비행효율 날개움직임 패턴에 큰 영향을 미치기 때문이다.
두 그룹의 RNN 사이에는 양날개의 불필요한 out-of-phase 동기화를 방지하기 위하여 연결이 없도록 하였다. 하지만 반대쪽 날개의 패널센서들의 값을 받도록 함으로써 서로 간접적으로 정보를 주고받을 수 있는 구조로 설계되었다.
본 논문에서는 개체군 크기가 400으로 20×20 격자로 이루어진 torus 공간을 사용하였다. 한 개체가 위치한 격자 주변의 8개 개체를 1차 이웃으로, 그 바깥의 16개 개체를 2차 이웃으로 하여 그 범위안에서 거리에 따라 교배선택 확률을 지정하였다. 각 개체를 나타내기 위한 gene encoding은 [-10000,10000] 범위의 integer의 배열로 설정하여 각각의 신경망 파라미터가 갖는 범위로 스케일링 하였다.

대상 데이터

1A는 본 연구의 날갯짓 로봇 모델을 보여주고 있다. 로봇의 총 질량은 4.1Kg이며 날개양끝 너비 (wing span)는 2.6m, aspect ratio는 6, wing loading은 0.35g/cm 2 이다. 날개팔의 3자유도 관절은 각각 dihedral, sweep, twist를 나타내며 각 관절 가동범위는 dihedral축으로 ±45°, sweep과 twist는 ±22.
본 논문에서는 개체군 크기가 400으로 20×20 격자로 이루어진 torus 공간을 사용하였다.

이론/모형

각 날개 패널들은 그 무게중심에 양력 (lift)과 항력 (drag)이 작용하도록 계산되며 Thin airfoil 및 Blade element theory를 바탕으로 한 Quasi-steady 가정으로 단순화된 공기역학 모델[20]이 사용되었다.
날갯짓 비행 컨트롤을 위한 신경망은 Continuous time Recurrent Neural Network (CTRNN) 모델[22]이 사용 되었다. 신경망의 연결구조는 Fig 3과 같이 대칭적 구조로 설계되어 좌우 양쪽의 컨트롤을 같게 함으로써 양날개 제어에 필요한 파라미터 수를 반으로 줄일 수 있다.
01,1]의 범위를 갖도록 설정되었다. 모든 신경망 노드들은 forward Euler 수치적분법을 사용하여 time step 0.01sec로 시뮬레이션 되었다. 전체 신경망의 구조는 Fig 3과 같이 자기 자신과의 연결을 포함한 fully recurrent 구조이며 모든 sensor neuron들로부터 대칭적인 연결을 받는다.
신경망 연결강도 최적화를 위하여 지리적 분산 진화 알고리즘 (Geographically distributed evolutionary algorithm) [23]이 사용되었다. 이는 각 개체 (individual)들이 오직 자신과 가까운 지리적 이웃들과만 상호작용 하도록 함으로써 local optimum 문제를 완화하기 위한 방식으로, 실제 진화과정에서의 지리적 niche 개념을 도입한 진화연산의 한 종류이다.
패널에 가해진 회전모멘트는 패널이 받는 전체 공기역학적 힘의 수직성분 F_N과 힘이 가해지는 지점까지의 모멘트암 (r)으로 구해진다 (Fig 1B). 패널회전을 제외한 로봇의 시뮬레이션은 Open Dynamics Engine[21] 라이브러리를 사용하여 구현되었으며 모든 시뮬레이션은 time step 0.01sec로 업데이트 되었다.

성능/효과

이는 생물학적으로도 타당할 뿐 아니라 로보틱스 분야에 있어서 양적으로 거대한 Deep FFNN을 사용할 필요없이, 작은규모의 신경망 구조로도 매우 복잡한 행동패턴을 만들어 낼 수 있는 모델이라고 할 수 있다. 또한 본 연구에서와 같은 비행로봇의 특성상 가벼운 몸체를 위해 매우 제한된 계산능력의 컨트롤 모듈을 탑재할 수 밖에 없는 경우를 생각할 때, 컨트롤 모델 규모의 최소화가 용이하다는 점도 진화연산+RNN 방법의 장점이라고 볼 수 있다.
이는 곤충의 털과 더듬이와 유사하게, 새에서도 날개와 깃털로 감지하는 여러 힘에 대한 정보가 날갯짓 운동에 관여할 수 있다는 가능성을 제시한다. 본 논문에서의 날개의 감각은 걷는 로봇에서의 접촉, 압력 센서와 유사하게 활용되었는데, 이는 걷는 로봇이 지면의 융기와 자신의 무게를 발 센서로 감지하듯이 본 날개패널 센서 모델 역시 주변을 둘러싼 유체로부터 가해지는 압력을 감지하는 것이라 생각 할 수 있다.
4Ghz 단일 CPU에서 평균 8~10시간이 소요되었다. 성공적으로 진화된 날개로봇들은 평균 1-2Hz의 wingbeat frequency를 가지고 9-12m/s의 비행속도를 보여주었는데, 이는 설계된 로봇과 크기와 무게가 비슷한 대형 독수리의 평균 순항속도에 비해 약간 낮으나 대체로 비슷한 수준으로서, 날개크기와 무게와의 관계가 중요한 조류비행의 기준으로 볼 때 본 시스템의 역학적 모델과 진화연산이 타당한 움직임을 찾아내었다고 볼 수 있다. 단순화된 가정을 이용한 로봇과 공기역학 시뮬레이션이지만 진화된 로봇들은 상당히 자연스럽고 안정적인 날갯짓 기동을 보이면서도 목표지점을 향해 steering 기동을 보여 주었다(Fig 5A).
이 역시 진화연산이 찾아낸 또 다른 생존전략이라고 할 수 있겠다. 유연한 날개패널의 순응적 안정성 이외에 패널센서도 날갯짓 패턴에 관여함을 알수 있는데, 만약 패널센서를 차단하면 메인 신경망에서는 oscillatory 패턴이 사라지거나 또는 oscillatory output을 생성하지만 패널센서의 부재로 날개의 움직임이 작은 차이로 변화 되어 결국 날지 못하는 결과를 볼 수 있었다. 패널센서를 유지한 채 타겟센서를 제거한 후 gust를 가해도 역학적 안정성과 함께 pitch, roll, 패널센싱을 통하여 추락하지 않고 비행을 유지할 수 있었다.
총 60초의 주어진 적합도 평가 시뮬레이션 시간동안 수차례의 gust perturbation이 주어진 범위 내에서 각각 랜덤한 시간동안 랜덤한 방향과 세기로 가해졌다 (Fig 4). 각각의 gust session (n)은 시뮬레이션 시작 5초 후부터 gust의 시작시점 (T_START(n)≤t)을 후, 1-5m/s의 gust를 1-3초간 가하게 된다 (t<T_END(n)).
그러나 gust 섭동이 주어졌을 때 원래 코스로 돌아가는 움직임이 더욱 불안정하고 느린 것을 확인할 수 있었다(Fig 6). 추가로 두 경우 로봇의 진화연산의 과정을 관찰해보기 위해 두 로봇을 steering 기동 없이 일정한 고도를 유지하며 날도록 진화시키며 새로운 개체가 평가될 때마다 그의 적합도와 비행시간을 관찰한 결과, 단단한 날개를 가진 쪽의 적합도와 비행시간 분포가 더 양극화되어있음을 확인할 수 있었다(Fig 7). 이는 두 종류 로봇 모두 날갯짓 비행을 할 수 있는 신호패턴을 생성할 수 있지만, 단단한 날개로봇의 신호패턴의 다양성이 유연한 날개로봇 보다 떨어진다는 것을 보여주는데, 다시 말해 단단한 날개를 가진 로봇은 유연한 패널날개보다 더 정확한 날갯짓 움직임 신호를 최적화로 찾아내어야만 추락하지 않고 비행할 수 있다는 것을 의미한다.
추가로 두 군집의 gene의 다양성을 측정하기 위해 두 개체군의 Nearest neighbor distance 측정[24](DNN = Σi{min(dij)/N)}, i ≠ j)을 계산해보면 유연한 날개의 개체군은 0.422, 그리고 단단한 날개 개체군은 0.407로 유연한 날개 개체군쪽이 더 높은 유전적 다양성을 가짐을 확인할 수 있었다.
유연한 날개패널의 순응적 안정성 이외에 패널센서도 날갯짓 패턴에 관여함을 알수 있는데, 만약 패널센서를 차단하면 메인 신경망에서는 oscillatory 패턴이 사라지거나 또는 oscillatory output을 생성하지만 패널센서의 부재로 날개의 움직임이 작은 차이로 변화 되어 결국 날지 못하는 결과를 볼 수 있었다. 패널센서를 유지한 채 타겟센서를 제거한 후 gust를 가해도 역학적 안정성과 함께 pitch, roll, 패널센싱을 통하여 추락하지 않고 비행을 유지할 수 있었다. 소수의 특별한 개체에서는 목표타겟이 로봇보다 아래에 있을 때 날갯짓을 멈추고 활강하는 gliding 움직임을 보여주었다 (자세한 로봇의 움직임은 첨부된 동영상을 참조).

후속연구

로봇 시뮬레이션과 신경망의 구성과 독립적으로, 본 연구의 진화연산 평가전략을 통해 어떤 모델이라도 효과적으로 성공적인 비행을 생성해 낼 수 있을 거라 예상된다. 가중치로 묶인 한 개의 적합도 함수 대신 Multi-objective 진화연산을 사용하여 steering과 안정성, 에너지 소모 등을 최적화시키기 위한 후속연구도 필요하다. 이러한 경우 gliding과 soaring, intermittent flapping flight 등 더욱 실제 조류와 같은 움직임들 뿐 아니라 그러한 움직임들 간의 상황에 따른 지능적인 전환 등이 가능할 것으로 기대된다.
수만번의 평가 시뮬레이션이 필요한 진화연산의 특성상, 시뮬레이션의 정확도와 계산시간의 조율이 필요하며, 이는 알고리즘 성능의 개선과 강력한 계산성능의 도입을 통하여 개선해나가야 하겠다. 두 번째로는 더욱 많은 자유도를 가진 실제 새와 유사한 관절을 사용한 로봇 시뮬레이션을 위해 보다 큰 스케일의 RNN을 최적화할 필요가 있다. 이 역시 시뮬레이션의 정확도와 효율적인 분산컴퓨팅 그리고 계산 성능의 증가가 필수적이라고 하겠다.
이 역시 시뮬레이션의 정확도와 효율적인 분산컴퓨팅 그리고 계산 성능의 증가가 필수적이라고 하겠다. 로봇 시뮬레이션과 신경망의 구성과 독립적으로, 본 연구의 진화연산 평가전략을 통해 어떤 모델이라도 효과적으로 성공적인 비행을 생성해 낼 수 있을 거라 예상된다. 가중치로 묶인 한 개의 적합도 함수 대신 Multi-objective 진화연산을 사용하여 steering과 안정성, 에너지 소모 등을 최적화시키기 위한 후속연구도 필요하다.
본 연구를 단계적인 최적화 방법을 사용하지 않고도 한번의 통합적 진화연산으로 steering기동과 외력에 의한 안정성 두가지를 모두 만족하는 날갯짓 로봇을 위한 진화 연산 방법을 제시하였다. 비록 제안된 시스템이 상당한 범위 내의 섭동에 대해 안정적인 기동을 보여주었으나, 향후 실제 상황과의 reality gap을 줄이기 위해 추가적인 연구가 필요하다. 첫째로, 단순화된 날개패널의 독립적 움직임으로 모델링된 날개 시뮬레이션은 본 연구의 개념적 타당성을 설명할 수 있으나, 실제의 연속적인 날개유연성을 위하여 FEM등의 연속체 모델로 개선될 필요가 있다.
첫째로, 단순화된 날개패널의 독립적 움직임으로 모델링된 날개 시뮬레이션은 본 연구의 개념적 타당성을 설명할 수 있으나, 실제의 연속적인 날개유연성을 위하여 FEM등의 연속체 모델로 개선될 필요가 있다. 수만번의 평가 시뮬레이션이 필요한 진화연산의 특성상, 시뮬레이션의 정확도와 계산시간의 조율이 필요하며, 이는 알고리즘 성능의 개선과 강력한 계산성능의 도입을 통하여 개선해나가야 하겠다. 두 번째로는 더욱 많은 자유도를 가진 실제 새와 유사한 관절을 사용한 로봇 시뮬레이션을 위해 보다 큰 스케일의 RNN을 최적화할 필요가 있다.
가중치로 묶인 한 개의 적합도 함수 대신 Multi-objective 진화연산을 사용하여 steering과 안정성, 에너지 소모 등을 최적화시키기 위한 후속연구도 필요하다. 이러한 경우 gliding과 soaring, intermittent flapping flight 등 더욱 실제 조류와 같은 움직임들 뿐 아니라 그러한 움직임들 간의 상황에 따른 지능적인 전환 등이 가능할 것으로 기대된다.
비록 제안된 시스템이 상당한 범위 내의 섭동에 대해 안정적인 기동을 보여주었으나, 향후 실제 상황과의 reality gap을 줄이기 위해 추가적인 연구가 필요하다. 첫째로, 단순화된 날개패널의 독립적 움직임으로 모델링된 날개 시뮬레이션은 본 연구의 개념적 타당성을 설명할 수 있으나, 실제의 연속적인 날개유연성을 위하여 FEM등의 연속체 모델로 개선될 필요가 있다. 수만번의 평가 시뮬레이션이 필요한 진화연산의 특성상, 시뮬레이션의 정확도와 계산시간의 조율이 필요하며, 이는 알고리즘 성능의 개선과 강력한 계산성능의 도입을 통하여 개선해나가야 하겠다.

참고문헌 (24)

D.D. Chin, and D. Lentink, "Flapping Wing Aerodynamics: From Insects to Vertebrates," Journal of Experimental Biology, Vol. 219, pp. 999-999, 2016.
C. Chen, and T. Zhang, "A Review of Design and Fabrication of the Bionic Flapping Wing Micro Air Vehicles," Micromachines, Vol. 10, No. 144, pp. 1-20, 2019.
J. Gerdes, H.A. Bruck, S.K. Gupta, "A Simulation-based Approach to Modeling Component Interactions during Design of Flapping Wing Aerial Vehicles," International Journal of Micro Air Vehicles, Vol. 11, 2019.
J. Wu, and Z. Popovi\'{c}, "Realistic Modeling of Bird Flight Animations," ACM Transactions on Graphics, Vol. 22, No. 3, pp. 888-895, 2003.

상세보기
Y.S. Shim, and C.H. Kim, "Evolving Physically Simulated Flying Creatures for Efficient Cruising," Artificial Life, Vol. 12, No. 4, pp. 561-591, 2006.

상세보기
Y.S. Shim, S.J. Kim, C.H. Kim, "Evolving Flying Creatures with Path-following Behavior," The 9th International Conference on the Simulation and Synthesis of Living Systems (ALIFE IX), Boston, MA, pp. 125-132, 2004.
J. Won, J. Park, K. Kim, J. Lee, "How to Train Your Dragon: Example-Guided Control of Flapping Flight," ACM Transactions on Graphics, Vol. 36, No. 4, 2017.
J. Won, J. Park, J. Lee, "Aerobatics Control of Flying Creatures via Self-Regulated Learning," ACM Transactions on Graphics, Vol. 37, No. 6, 2018.
F.P. Such, V. Madhavan, E. Conti, J. Lehman, K.O. Stanley, J. Clune, "Deep Neuroevolution: Genetic Algorithms are a Competitive Alternative for Training Deep Neural Networks for Reinforcement Learning," NIPS Deep Reinforcement Learning Workshop, 2018.
K.O. Stanley, J. Clune, J. Lehman, R. Miikkulainen, "Designing Neural Networks through Neuroevolution," Nature Machine Intelligence, Vol. 1, No. 1, pp. 24-35, 2019.

상세보기
J.B. Mouret, S. Doncieux, J.A. Meyer, "Incremental Evolution of Target-following Neuro-controllers for Flapping-wing Animats," SAB 06, LNCS (LNAI), Vol. 4095, pp. 606-618, 2006.
E. de Margerie, J.B. Mouret, S. Doncieux, J.A. Meyer, "Artificial evolution of the morphology and kinematics in a flapping-wing mini UAV," Bioinspiration & Biomimetics, Vol. 2, pp. 65-82, 2007.

상세보기
D.R. Warrick, M.W. Bundle, K.P. Dial, "Bird Maneuvering Flight: Blurred Bodies, Clear Heads," Integrative and Comparative Biology, Vol. 41, No. 1, pp. 141-148, 2002.
R. Pfeifer, and F. Iida, "Morphological Computation: Connecting Body, Brain and Environment," Japanese Scientific Monthly, Vol. 58, pp. 48-54, 2005.
E.H. Burtt Jr., and J.M. Ichida, "Selection for Feather Structure," Acta Zoologica Sinica, Vol. 52, pp. 131-135, 2006.
M. Gewecke, and M. Woike, "Breast Feathers as an Aircurrent Sense Organ for the Control of Flight Behaviour in a Songbird (Carduelis Spinus)," Zeitschrift fur Tierpsychologie, Vol. 47, No. 3, pp. 293-298, 1978.

상세보기
R. Necker, "Somatosensory System," Physiology and Behavior of the Pigeon, pp. 169-192. Academic Press, London (1983)
R.E. Brown, and M.R. Fedde, "Airflow Sensors in the Avian Wing," Journal of Experimental Biology, Vol. 179, No. 1, pp. 13-30, 1993.

상세보기
A.L.R. Thomas, and G.K. Taylor, "Animal Flight Dynamics I. Stability in Gliding Flight," Journal of Theoretical Biology, Vol. 212, No. 3, pp. 399-424, 2001.

상세보기
T. Weis-Fogh, and M. Jensen, "Biology and Physics of Locust Flight I: Basic Principles in Insect Flight. A Critical Review," Philosophical Transactions of the Royal Society of London B, Vol. 239, No. 667, pp. 415-458, 1956.
R. Smith, "Intelligent Motion Control with an Artificial Cerebellum," Doctoral Dissertation, University of Auckland, New Zealand, 1998, http://ode.org/
R.D. Beer, "On the Dynamics of Small Continuous-Time Recurrent Neural Networks," Adaptive Behavior, Vol. 3, No. 4, pp. 469-509, 1995.

상세보기
P. Husbands, "Distributed Coevolutionary Genetic Algorithms for Multi-criteria and Multi-constraint Optimisation," Evolutionary Computing. LNCS, Vol. 865, pp. 150-165, 1994.
P.J. Clark, and F.C. Evans, "Distance to Nearest Neighbor as a Measure of Spatial Relationship in Populations," Ecology, Vol. 35, No. 4, pp. 445-453, 1954.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증