| 1 |
1
적어도 하나의 프로세서(processor)를 구비한 학습 엔진(learning engine)이 작업 솜씨를 학습하는 방법에 있어서,상기 학습 엔진이 주어진 임무에 대한 학습 데이터를 입력받아 제 1 파라미터 수에 따른 가우시안 혼합 모델(Gaussian Mixture Model, GMM)을 이용하여 상기 임무를 수행하기 위한 전체 행동 경로를 복수 개의 가우시안으로 모델링하는 단계;상기 학습 엔진이 상기 행동 경로와 상기 임무의 대상 객체(object) 간의 상관 관계를 산출하는 단계;상기 행동 경로에 대한 수행 시간과 상기 상관 관계에 기초하여, 상기 학습 엔진이 상기 수행 시간에 대해 상기 행동 경로와 상기 객체 간의 거리 변화량이 임계치 이하인 부분을 리모델링(remodeling) 영역으로 추출하는 단계; 및상기 학습 엔진이 상기 추출된 리모델링 영역에 대한 행동 경로를 전체 행동 경로부터 분할하여 제 2 파라미터 수에 따른 가우시안 혼합 모델을 이용하여 모델링하는 단계;를 포함하는 학습 방법
|
| 2 |
2
제 1 항에 있어서,상기 학습 엔진이 상기 전체 행동 경로 중 추출된 상기 리모델링 영역을 제외한 행동 경로에 대한 가우시안 모델링 결과와 상기 리모델링 영역의 행동 경로에 대한 가우시안 모델링 결과로부터 전체 행동 경로에 대한 작업 솜씨를 생성하는 단계;를 더 포함하는 학습 방법
|
| 3 |
3
제 1 항에 있어서,상기 리모델링 영역은,주어진 임무를 수행함에 있어서 나머지 영역에 비해 상대적으로 수행 시간이 오래 소요되면서 작업 공간의 변화가 적은 영역인 것을 특징으로 하는 학습 방법
|
| 4 |
4
제 1 항에 있어서,상기 제 2 파라미터 수는 상기 제 1 파라미터 수보다 큰 값으로 설정됨으로써, 상기 리모델링 영역에 대해 나머지 영역에 비해 상대적으로 더 많은 수의 군집을 형성하도록 모델링하는 것을 특징으로 하는 학습 방법
|
| 5 |
5
제 1 항에 있어서,상기 상관 관계는,정준상관분석(Canonical Correlation Analysis, CCA)을 이용하여 상기 행동 경로와 상기 대상 객체 간의 위치 관계(correlation) 및 공간 변화량(spatial variation)에 기초한 가중치로서 표현하되,상기 행동 경로와 상기 대상 객체 간의 거리의 변화가 시간에 대해 작을수록 상기 거리의 변화가 시간에 대해 큰 경우에 비해 상대적으로 더 큰 가중치를 갖는 것을 특징으로 하는 학습 방법
|
| 6 |
6
제 5 항에 있어서,추출된 상기 리모델링 영역에 대하여 상기 가중치를 반영하여 군집화를 수행함으로써, 상기 전체 행동 경로 중 상기 리모델링 영역을 제외한 나머지 영역에 비해 상기 리모델링 영역이 상대적으로 더 많은 수의 군집을 형성하는 것을 특징으로 하는 학습 방법
|
| 7 |
7
제 5 항에 있어서,상기 가중치를 반영한 군집화를 수행함으로써 상기 제 2 파라미터의 초기값을 설정하고,상기 설정된 초기값에 따른 가우시안 혼합 모델을 이용하여 모델링을 수행하며,베이즈 정보 기준(Bayesian Information Criterion, BIC)을 이용하여 군집과 가우시안의 최종 개수를 결정하는 것을 특징으로 하는 학습 방법
|
| 8 |
8
작업 솜씨를 학습하는 로봇(robot)에 있어서,물리적인 운동을 수행하여 주어진 임무를 달성할 수 있는 구동부; 및상기 주어진 임무에 대한 학습 데이터를 상기 구동부로부터 입력받고, 가우시안 혼합 모델을 이용하여 전체 행동 경로를 모델링함으로써 작업 솜씨를 생성하는 학습 엔진;을 포함하되,상기 학습 엔진은,제 1 파라미터 수에 따른 가우시안 혼합 모델을 이용하여 상기 임무를 수행하기 위한 전체 행동 경로를 복수 개의 가우시안으로 모델링하고, 상기 행동 경로와 상기 임무의 대상 객체 간의 상관 관계를 산출하고, 상기 행동 경로에 대한 수행 시간과 상기 상관 관계에 기초하여 상기 수행 시간에 대해 상기 행동 경로와 상기 객체 간의 거리 변화량이 임계치 이하인 부분을 리모델링 영역으로 추출하며, 상기 추출된 리모델링 영역에 대한 행동 경로를 전체 행동 경로부터 분할하여 제 2 파라미터 수에 따른 가우시안 혼합 모델을 이용하여 모델링하는 것을 특징으로 하는 로봇
|
| 9 |
9
제 8 항에 있어서,상기 학습 엔진은, 상기 전체 행동 경로 중 리모델링 영역을 제외한 행동 경로에 대한 가우시안 모델링 결과와 상기 리모델링 영역의 행동 경로에 대한 가우시안 모델링 결과로부터 전체 행동 경로에 대한 작업 솜씨를 생성하는 것을 특징으로 하는 로봇
|
| 10 |
10
제 8 항에 있어서,상기 리모델링 영역은,주어진 임무를 수행함에 있어서 나머지 영역에 비해 상대적으로 수행 시간이 오래 소요되면서 작업 공간의 변화가 적은 영역인 것을 특징으로 하는 로봇
|
| 11 |
11
제 8 항에 있어서,상기 제 2 파라미터 수는 상기 제 1 파라미터 수보다 큰 값으로 설정됨으로써, 상기 리모델링 영역에 대해 나머지 영역에 비해 상대적으로 더 많은 수의 군집을 형성하도록 모델링하는 것을 특징으로 하는 로봇
|
| 12 |
12
제 8 항에 있어서,상기 상관 관계는,정준상관분석을 이용하여 상기 행동 경로와 상기 대상 객체 간의 위치 관계 및 공간 변화량에 기초한 가중치로서 표현하되,상기 행동 경로와 상기 대상 객체 간의 거리의 변화가 시간에 대해 작을수록 상기 거리의 변화가 시간에 대해 큰 경우에 비해 상대적으로 더 큰 가중치를 갖는 것을 특징으로 하는 로봇
|
| 13 |
13
제 12 항에 있어서,상기 학습 엔진은, 추출된 상기 리모델링 영역에 대하여 상기 가중치를 반영하여 군집화를 수행함으로써, 상기 전체 행동 경로 중 상기 리모델링 영역을 제외한 나머지 영역에 비해 상기 리모델링 영역이 상대적으로 더 많은 수의 군집을 형성하는 것을 특징으로 하는 로봇
|
| 14 |
14
제 12 항에 있어서,상기 학습 엔진은,상기 가중치를 반영한 군집화를 수행함으로써 상기 제 2 파라미터의 초기값을 설정하고,상기 설정된 초기값에 따른 가우시안 혼합 모델을 이용하여 모델링을 수행하며,베이즈 정보 기준을 이용하여 군집과 가우시안의 최종 개수를 결정하는 것을 특징으로 하는 로봇
|
