$\require{mediawiki-texvc}$

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.

백스터 로봇의 시각기반 로봇 팔 조작 딥러닝을 위한 강화학습 알고리즘 구현

Implementation of End-to-End Training of Deep Visuomotor Policies for Manipulation of a Robotic Arm of Baxter Research Robot

로봇학회논문지 = The journal of Korea Robotics Society, v.14 no.1, 2019년, pp.40 - 49  

김성운 (UNIST) ,  김솔아 (UNIST) ,  하파엘 리마 (UNIST) ,  최재식 (Computer Engineering, UNIST)

Abstract AI-Helper 아이콘AI-Helper

Reinforcement learning has been applied to various problems in robotics. However, it was still hard to train complex robotic manipulation tasks since there is a few models which can be applicable to general tasks. Such general models require a lot of training episodes. In these reasons, deep neural ...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 이는 물리적으로 존재하는 로봇 중에는 PR2 이외에는 작동하지 않음을 의미한다. 따라서 본 장에서는 이 알고리즘이 어떻게 다른 로봇에 적용되었는지, 특히 이 경우, 협업 로봇 플랫폼으로 널리 사용되고 있는 백스터 연구 로봇에 적용되었는지에 대해 다룬다.
  • 본 논문에서는 오픈소스 코드[9]의 백스터 에이전트 클래스를 Python 인터페이스에서 구현하여, 백스터 연구 로봇에서의 GPS 알고리즘이 다른 연구환경에서 적용될 수 있도록 하였다. 또한 이를 이용해 블록 조립 및 파지실험을 하여 학습과정을 분석하였다.
  • 본 연구에서는 이 알고리즘이 백스터 연구 로봇에 구현되었으며 블록 조립 작업과 블록 파지 작업의 실험을 통해 위와 같은 장점들이 확인되었고 태스크를 수행하는데 있어서 생길 수 있는 기술적 문제들이 검토되었다.
  • 블록 파지 태스크에 관해서는, 로봇이 단일 카메라로 파악하는 블록의 위치에 따라 여러 위치에 대해 잡을 수 있는 것을 목표로 하였다. 그러기 위해 일단 두 개의 블록 목표좌표에 대한 상황이 한 번의 학습으로 이루어졌다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
강화학습이란 무엇인가? 강화학습은 주어진 환경안에서 정의된 에이전트가 현재의 상태를 인식하고, 해당 상태에서 보상을 최대화하는 행동을 선택하는 방법이다. 보상을 얻기 위해서는 시행착오를 거치는 과정(exploration - exploitation)이 필요하고, 이 트레이드오프를감수하며 얼마나 적은 샘플과 얼마나 빠른 시간안에 좋은 정책을 학습할 수 있느냐가 관건이다.
로봇이라는 에이전트의 상태와 행동이 본질적으로 연속공간에 있기 때문에 어떤 학습을 해야 하나? 지능형 로봇 에이전트에 대한 강화학습의 적용은 특히 많은 어려움과 제약에 직면하게 된다[5]. 로봇이라는 에이전트의 상태와 행동은 본질적으로 연속공간에 있어, 각각이 나타내는 정보와 찾고자 하는 정책을 이산화 하거나 함수 추정을 통해 학습을 해야 한다.
최근 강화학습을 이용한 연구는 어떠한가? 보상을 얻기 위해서는 시행착오를 거치는 과정(exploration - exploitation)이 필요하고, 이 트레이드오프를감수하며 얼마나 적은 샘플과 얼마나 빠른 시간안에 좋은 정책을 학습할 수 있느냐가 관건이다. 최근 게임 분야에서 인간의 능력을 뛰어넘는 성과를 보여주었으며[1,2], 컬링과 같은 연속적 공간을 탐색하고 학습해야 하는 게임의 경우에서도 마찬가지였다[3]. 그 외 여러 방면(게임, 금융, 자율주행차, 지능형 로봇 등)에서 적용기술에 대한 연구가 활발히 진행되고 있다[4,5].
질의응답 정보가 도움이 되었나요?

참고문헌 (16)

  1. 10.1038/nature16961 D. Silver, A. Huang, C.J. Maddison, A. Guez, L. Sifre, G. Van Den Driessche, J. Schrittwieser, I. Antonoglou, V. Panneershelvam, M. Lanctot, S. Dieleman, D. Grewe, J. Nham, N. Kalchbrenner, I. Sutskever, T. Lillicrap, M. Leach, K. Kavukcuoglu, T. Graepel, and D. Hassabis, “Mastering the game of go with deep neural networks and tree search,” Nature , vol. 529, no. 7587, pp. 484-489, January, 2016. 

  2. 10.1038/nature24270 D. Silver, J. Schrittwieser, K. Simonyan, I. Antonoglou, A. Huang, A. Guez, T. Hubert, L. Baker, M. Lai, A. Bolton, Y. Chen, T. Lillicrap, F. Hui, L. Sifre, G. Van Den Driessche, T. Graepel, and D. Hassabis, “Mastering the game of go without human knowledge,” Nature , vol. 550, no. 7676, pp. 354-359, October, 2017. 

  3. K. Lee, S.-A. Kim, J. Choi, S.-W. Lee, “Deep reinforcement learning in continuous action spaces: a case study in the game of simulated curling,” 35 th International Conference on Machine Learning (ICML) , Stockholm, Sweden, pp. 2937-2946, 2018. 

  4. 10.1109/MSP.2017.2743240 K. Arulkumaran, M.P. Deisenroth, M. Brundage, and A.A. Bharath, “Deep reinforcement learning: A brief survey,” IEEE Signal Processing Magazine , vol. 34, no. 6, pp. 26-38, November, 2017. 

  5. 10.1007/978-3-319-03194-1_2 J. Kober and J. Peters, “Reinforcement learning in robotics: A survey,” Learning Motor Skills , Springer, 2014, ch. 2, pp. 9-67. 

  6. 10.1038/nature14236 V. Mnih, K. Kavukcuoglu, D. Silver, A.A. Rusu, J. Veness, M.G. Bellemare, A. Graves, M. Riedmiller, A.K. Fidjeland, G.Ostrovski, S. Petersen, C. Beattie, A. Sadik, I. Antonoglou, H. King, D. Kumaran, D. Wierstra, S. Legg, and D. Hassabis, “Human-level control through deep reinforcement learning,” Nature , vol. 518, no. 7540, pp. 529-533, February, 2015. 

  7. T. P. Lillicrap, J. J. Hunt, A. Pritzel, N. Heess, T. Erez, Y. Tassa, D. Silver, and D. Wierstra, “Continuous control with deep reinforcement learning,” arXiv:1509.02971 [cs.LG] , 2015. 

  8. S. Levine and V. Koltun, “Guided policy search,” 30 th International Conference on Machine Learning (ICML) , Atlanta, Georgia, USA, pp. 1-9, 2013. 

  9. C. Finn, Guided policy search , [Online], https://github.com/cbfinn/gps, Accessed: January 14, 2019. 

  10. P. Henderson, R. Islam, P. Bachman, J. Pineau, D. Precup, and D. Meger, “Deep reinforcement learning that matters,” arXiv:1709.06560 [cs.LG] , 2017. 

  11. 10.1109/ICRA.2016.7487173 C. Finn, X.Y. Tan, Y. Duan, T. Darrell, S. Levine, and P. Abbeel, “Deep spatial autoencoders for visuomotor learning,” 2016 IEEE International Conference on Robotics and Automation (ICRA) , Stockholm, Sweden, pp. 512-519, 2016. 

  12. 10.1109/IROS.2017.8205960 Y. Tsurumine, Y. Cui, E. Uchibe, and T. Matsubara, “Deep dynamic policy programming for robot control with raw images,” 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) , Vancouver, BC, Canada, pp. 1545-1550, 2017. 

  13. Y. Chebotar, K. Hausman, M. Zhang, G. Sukhatme, S. Schaal, and S. Levine, “Combining model-based and model-freeupdates for trajectory-centric reinforcement learning,” 34 th International Conference on Machine Learning (ICML) , Sydney, Australia, pp. 703-711, 2017. 

  14. S. Levine, C. Finn, T. Darrell, and P. Abbeel, “End-to-end training of deep visuomotor policies,” Journal of Machine Learning Research (JMLR) , vol. 17, no. 39, pp. 1-40, January, 2016. 

  15. H. Wang and A. Banerjee, “Bregman alternating direction method of multipliers,” Advances in Neural Information Processing Systems (NIPS) , Montreal, Canada, pp. 2816-2824, 2014. 

  16. W. Montgomery and S. Levine, “Guided policy search via approximate mirror descent,” Advances in Neural Information Processing Systems (NIPS) , Barcelona, Spain, pp. 4008-4016, 2016. 

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 보고서와 함께 이용한 콘텐츠

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