KR102106992B1 - 주파수 기반의 복합형 딥 러닝 방법, 장치 및 컴퓨터-판독가능 매체 및 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법 - Google Patents

주파수 기반의 복합형 딥 러닝 방법, 장치 및 컴퓨터-판독가능 매체 및 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법 Download PDF

Info

Publication number
KR102106992B1
KR102106992B1 KR1020180077579A KR20180077579A KR102106992B1 KR 102106992 B1 KR102106992 B1 KR 102106992B1 KR 1020180077579 A KR1020180077579 A KR 1020180077579A KR 20180077579 A KR20180077579 A KR 20180077579A KR 102106992 B1 KR102106992 B1 KR 102106992B1
Authority
KR
South Korea
Prior art keywords
information
neural network
frequency
learning
output information
Prior art date
Application number
KR1020180077579A
Other languages
English (en)
Other versions
KR20200010665A (ko
Inventor
박경수
최성현
Original Assignee
가천대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 가천대학교 산학협력단 filed Critical 가천대학교 산학협력단
Priority to KR1020180077579A priority Critical patent/KR102106992B1/ko
Publication of KR20200010665A publication Critical patent/KR20200010665A/ko
Application granted granted Critical
Publication of KR102106992B1 publication Critical patent/KR102106992B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Manipulator (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명은 주파수 기반의 복합형 딥 러닝 방법, 장치 및 컴퓨터-판독가능 매체 및 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법에 관한 것으로서, 더욱 상세하게는 입력되는 시계열정보를 기설정된 기준주파수에 따라 분리하여 각각 다른 알고리즘에 의한 인공신경망의 학습을 수행하는 복합형 딥 러닝 방법, 장치 및 컴퓨터-판독가능 매체 및 상기 복합형 딥 러닝 방법을 이용하여 케이블 병렬 로봇의 구동을 제어하는 방법에 관한 것이다.

Description

주파수 기반의 복합형 딥 러닝 방법, 장치 및 컴퓨터-판독가능 매체 및 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법{Frequency Based Hybrid Deep-learning Method, Apparatus and Computer-readable Medium and Driving Control of Cable Driven Parallel Robot Using Frequency Based Hybrid Deep-learning Method}
본 발명은 주파수 기반의 복합형 딥 러닝 방법, 장치 및 컴퓨터-판독가능 매체 및 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법에 관한 것으로서, 더욱 상세하게는 입력되는 시계열정보를 기설정된 기준주파수에 따라 분리하여 각각 다른 알고리즘에 의한 인공신경망의 학습을 수행하는 복합형 딥 러닝 방법, 장치 및 컴퓨터-판독가능 매체 및 상기 복합형 딥 러닝 방법을 이용하여 케이블 병렬 로봇의 구동을 제어하는 방법에 관한 것이다.
딥 러닝 알고리즘은 일반적으로 심층신경망 알고리즘에 기반한 기계학습 알고리즘을 지칭한다. 심층신경망 알고리즘이란 입력층과 출력층 사이에 여러 개의 은닉층들로 이루어진 인공신경망이다. 이와 같은 인공신경망을 통해서 제어대상과 관련된 복수의 요인을 설정하고, 학습을 통해 상기 은닉층에서의 가중치를 설정함으로써 다량의 데이터나 복잡한 자료들에서 의미 있는 결과를 추출해 낼 수 있고, 반복적인 학습을 통해서는 더욱 정밀한 결과의 출력이 가능하다.
이와 같은 딥 러닝 알고리즘 가운데 입력되는 학습데이터의 시간 이력을 고려할 수 있는 모델로는 순환신경망(Recurrent Neural Network, RNN)가 있다. 이와 같은 순환신경망에는 일반적인 순환신경망과 LSTM(Long and Short Term Memory) 기반의 순환신경망이 있다.
각각의 신경망 알고리즘은 그 구조에 의해 장점과 단점이 존재하게 되는데, 이와 같은 신경망 알고리즘의 장점을 활용하여 복합적으로 학습을 수행하게 되면 더욱 효율적인 학습이 가능할 것이다.
본 발명은 입력되는 시계열정보를 기설정된 기준주파수에 따라 분리하여 각각 다른 알고리즘에 의한 인공신경망의 학습을 수행하는 복합형 딥 러닝 방법, 장치 및 컴퓨터-판독가능 매체 및 상기 복합형 딥 러닝 방법을 이용하여 케이블 병렬 로봇의 구동을 제어하는 방법을 제공하는 것을 그 목적으로 한다.
상기와 같은 과제를 해결하기 위하여 본 발명은 주파수 기반의 복합형 딥 러닝 방법으로서, 학습대상정보를 입력 받는 정보입력단계; 상기 학습대상정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리하는 입력정보분리단계; 상기 저주파학습대상을 입력정보로 하여 제1출력정보를 도출하는 제1인공신경망에 대한 학습을 수행하는 저주파학습단계; 및 상기 고주파학습대상을 입력정보로 하여 제2출력정보를 도출하는 제2인공신경망에 대한 학습을 수행하는 고주파학습단계; 를 포함하는, 주파수 기반의 복합형 딥 러닝 방법을 제공한다.
본 발명에서는, 상기 학습대상정보는 시계열 데이터일 수 있다.
본 발명에서는, 상기 제1인공신경망은, LSTM(Long and Short Term Memory) 기반의 순환신경망이고, 상기 제2인공신경망은, 순환신경망일 수 있다.
상기와 같은 과제를 해결하기 위하여 본 발명은 주파수 기반의 복합형 딥 러닝 장치로서, 학습대상정보를 입력 받는 정보입력부; 상기 학습대상정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리하는 입력정보분리부; 상기 저주파학습대상을 입력정보로 하는 학습된 제1인공신경망에 기초하여 제1출력정보를 도출하는 저주파예측부; 상기 고주파학습대상을 입력정보로 하는 학습된 제2인공신경망에 기초하여 제2출력정보를 도출하는 고주파예측부; 및 상기 제1출력정보 및 상기 제2출력정보에 기초하여 출력정보를 도출하는 출력정보결합부; 를 포함하는, 주파수 기반의 복합형 딥 러닝 장치를 제공한다.
상기와 같은 과제를 해결하기 위하여 본 발명은 주파수 기반의 복합형 딥 러닝을 위한 컴퓨터-판독가능 매체로서, 상기 컴퓨터-판독가능 매체는, 컴퓨팅 장치로 하여금 이하의 단계들을 수행하도록 하는 명령들을 저장하며, 상기 단계들은: 학습대상정보를 입력 받는 정보입력단계; 상기 학습대상정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리하는 입력정보분리단계; 상기 저주파학습대상을 입력정보로 하는 학습된 제1인공신경망에 기초하여 제1출력정보를 도출하는 저주파예측단계; 상기 고주파학습대상을 입력정보로 하는 학습된 제2인공신경망에 기초하여 제2출력정보를 도출하는 고주파예측단계; 및 상기 제1출력정보 및 상기 제2출력정보에 기초하여 출력정보를 도출하는 출력정보결합단계; 를 포함하는, 컴퓨터-판독가능 매체를 제공한다.
상기와 같은 과제를 해결하기 위하여 본 발명은 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법으로서, 상기 케이블 병렬 로봇의 제어정보를 입력 받는 정보입력단계; 상기 제어정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리하는 제어정보분리단계; 상기 저주파학습대상을 입력정보로 하는 학습된 제1인공신경망에 기초하여 제1예측에러를 도출하는 저주파예측단계; 상기 고주파학습대상을 입력정보로 하는 학습된 제2인공신경망에 기초하여 제2예측에러를 도출하는 고주파예측단계; 상기 제1예측에러 및 상기 제2예측에러에 기초하여 예측에러를 도출하는 예측에러결합단계; 상기 케이블 병렬 로봇의 움직임을 모델링하여 시스템모델을 생성하는 시스템모델링단계; 및 상기 시스템모델에 상기 제어정보 및 상기 예측에러를 입력하여 출력정보를 도출하는 출력정보도출단계; 를 포함하는, 케이블 병렬 로봇의 구동 제어 방법을 제공한다.
본 발명에서는, 상기 제어정보는 시계열 데이터일 수 있다.
본 발명에서는, 상기 제1인공신경망은, LSTM(Long and Short Term Memory) 기반의 순환신경망이고, 상기 제2인공신경망은, 순환신경망일 수 있다.
본 발명에서는, 상기 제어정보는 상기 케이블 병렬 로봇의 구동 케이블의 장력정보이고, 상기 예측에러는 상기 시스템모델의 출력정보와 실제 케이블 병렬 로봇의 움직임의 측정정보간의 에러의 예측값일 수 있다.
본 발명의 일 실시예에 따르면 시계열 데이터를 이용하여 학습함에 있어서 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상을 분리하여 각각의 성분에 적합한 인공신경망을 통해 학습함으로써 학습의 효율을 높일 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면 저주파학습대상에 대해서는 LSTM 기반의 순환신경망을 통해 학습함으로써 준정적 효과의 예측이 가능하다.
본 발명의 일 실시예에 따르면 고주파학습대상에 대해서는 순환신경망을 통해 학습함으로써 동적효과의 예측이 가능하다.
도 1은 본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 방법의 각 단계를 개략적으로 도시하는 도면이다.
도 2는 순환신경망의 동작을 개략적으로 도시하는 도면이다.
도 3은 순환신경망에서의 오차신호 소실 문제를 개략적으로 도시하는 도면이다.
도 4는 LSTM(Long and Short Term Memory) 기반의 순환신경망의 동작을 개략적으로 도시하는 도면이다.
도 5는 본 발명의 일 실시예에 따른 입력정보분리단계에서 저주파성분 및 고주파성분을 분리하는 동작을 개략적으로 도시하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 방법을 이용한 출력정보 예측방법의 각 단계를 개략적으로 도시하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 장치의 내부 구조를 개략적으로 도시하는 도면이다.
도 8은 본 발명의 일 실시예에 따른 케이블 병렬 로봇을 개략적으로 도시하는 도면이다.
도 9는 본 발명의 일 실시예에 따른 시스템모델의 동작을 개략적으로 도시하는 도면이다.
도 10은 본 발명의 일 실시예에 따른 에러예측시스템을 이용한 시스템모델의 동작을 개략적으로 도시하는 도면이다.
도 11은 본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법의 각 단계를 개략적으로 도시하는 도면이다.
도 12는 본 발명의 일 실시예에 있어서, 컴퓨팅 장치의 내부 구성의 일례를 설명하기 위한 블록도이다.
이하에서는, 다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.
또한, 다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '~부', '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어를 의미할 수 있다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
또한, 본 발명의 실시예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명의 실시예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
1. 주파수 기반의 복합형 딥 러닝 방법 및 장치
도 1은 본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 방법의 각 단계를 개략적으로 도시하는 도면이다.
도 1을 참조하면 본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 방법은, 학습대상정보를 입력 받는 정보입력단계(S10); 상기 학습대상정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리하는 입력정보분리단계(S20); 상기 저주파학습대상을 입력정보로 하여 제1출력정보를 도출하는 제1인공신경망에 대한 학습을 수행하는 저주파학습단계(S30); 상기 고주파학습대상을 입력정보로 하여 제2출력정보를 도출하는 제2인공신경망에 대한 학습을 수행하는 고주파학습단계(S40); 를 포함할 수 있다.
본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 방법에서는 우선 학습대상정보를 입력 받는다(S10). 본 발명의 일 실시예에서 상기 학습대상정보는 시계열 데이터일 수 있다. 이와 같은 학습대상정보에 기초하여 출력정보를 도출하게 된다.
이 후, 상기 학습대상정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리한다(S20). 본 발명에서는 이와 같이 학습대상정보를 주파수성분에 기초하여 저주파학습대상 및 고주파학습대상으로 분리하여 학습을 수행함으로써 학습의 효율 및 정확도를 높일 수 있다. 상기 기준주파수는 사용자에 의해 미리 입력될 수도 있고, 혹은 상기 학습대상정보에 기초하여 적합한 기준주파수를 도출하여 저장할 수도 있다.
이 후, 상기 저주파학습대상을 입력정보로 하여 제1출력정보를 도출하는 제1인공신경망에 대한 학습을 수행하고(S30), 상기 상기 고주파학습대상을 입력정보로 하여 제2출력정보를 도출하는 제2인공신경망에 대한 학습을 수행한다(S40).
상기 저주파학습단계(S30) 및 상기 고주파학습단계(S40)는 2 이상의 학습대상정보를 입력 받고, 상기 학습대상정보에 대한 출력정보를 도출하여, 인공신경망의 상기 출력정보를 실제의 출력정보와 비교하여 신경망의 가중치를 조절하는 지도학습방법이 사용될 수 있다.
상기 저주파학습단계(S30) 및 상기 고주파학습단계(S40)는 동시에 수행될 수도 있고, 혹은 임의의 순서대로 수행될 수도 있다. 이 때, 상기 제1인공신경망은, LSTM(Long and Short Term Memory) 기반의 순환신경망이고, 상기 제2인공신경망은, 순환신경망일 수 있다.
이와 같이 저주파학습대상 및 고주파학습대상에 대해 각각 최적의 인공신경망을 통해 학습을 수행함으로써 학습의 효율 및 정확도를 높일 수 있다.
도 2는 순환신경망의 동작을 개략적으로 도시하는 도면이다.
순환신경망은 이전의 시간에 입력을 고려하여 출력을 생성하는 신경망으로서, 일반적인 인공신경망의 경우 입력층을 통해 데이터를 입력하면 연산이 은닉층을 거쳐 출력층까지 진행된다. 이 과정에서 입력 데이터는 노드를 한번씩 지나가게 된다.
반면, 순환신경망의 경우 은닉층의 연산 결과가 다시 은닉층의 입력으로 들어가도록 연결되어 있다. 이와 같이 은닉층의 출력이 다시 입력이 되는 피드백 구조를 포함함으로써 순환신경망의 경우 시계열 데이터를 처리함에 있어서 우수한 성능을 발휘하게 된다.
도 2는 이와 같은 순환신경망의 동작을 개략적으로 도시한다. 시간 t에서 입력층에 입력되는 입력값 xt는 은닉층의 활성값 ht를 거쳐 출력 ft로 도출된다. 이 때 시간 t+1에서는 입력값 xt +1이 은닉층의 활성값 ht+1로 입력되지만, 이 때 은닉층의 활성값 ht+1은 시간 t에서의 활성값 ht을 입력으로 받음으로써 이전 시간에서의 정보를 축척하여 학습이 진행된다. 순환신경망은 이와 같은 은닉층의 활성값이 지속적으로 전달되면서 학습 데이터의 시간 이력을 고려한 학습을 수행하게 된다.
이와 같이 순환신경망은 이전 시간에서의 정보를 통해 시간이력을 고려한 학습을 수행함으로써 순차 데이터에서 높은 정확성을 보유하게 된다.
또한 도 2에서는 하나의 은닉층을 포함하는 순환신경망을 도시하고 있지만, 본 발명에서의 순환신경망은 2 이상의 은닉층을 포함하는 다층 순환신경망일 수도 있고, 도 2에 도시된 것과 같은 구조에 한정되지 않는다.
도 3은 순환신경망에서의 오차신호 소실 문제를 개략적으로 도시하는 도면이다.
도 3을 참조하면 순환신경망에서 시간 t1에서의 입력에 대한 시간 흐름에 따른 민감도를 확인할 수 있다. 도 3에서는 블럭이 어두울수록 상기 시간 t1에서의 입력에 민감함을 나타낸다. 시간 t1에서의 입력은 시간 t1에서의 출력에서는 매우 높은 민감도를 나타내지만 시간이 t2, t3로 점점 진행될수록 새로운 입력값이 은닉층의 활성도를 덮어쓰면서 민감도가 급격히 감소하게 되고, 결국 시간 t6부터는 t1에서의 입력 값을 완전히 잊어버리게 된다.
이와 같이 일반적인 순환신경망은 이전 시간에서의 은닉층의 활성값에 대한 그래디언트가 급격히 증가되거나 급격히 줄어들 경우, 현시간 학습에 지장을 주는 문제가 발생한다. 때문에 넓은 범위를 갖는 시계열 데이터의 학습에는 부적합하다. 이와 같은 문제를 해결하기 위하여 망각(forget)게이트를 도입한 LSTM(Long and Short Term Memory) 기반의 순환신경망 모델이 개발되었다.
도 4는 LSTM(Long and Short Term Memory) 기반의 순환신경망의 동작을 개략적으로 도시하는 도면이다.
LSTM(Long and Short Term Memory) 기반의 순환신경망은 은닉층의 블록은 대표적으로 입력(input), 출력(output), 망각(forget) 게이트로 구성된다. 표준 모델에서는 은닉층의 블록의 입력은 현재 입력벡터 및 이전 셀의 상태 벡터만을 고려하게 된다.
도 4를 참조하면 LSTM 기반의 순환신경망에서 t1에서의 입력에 대한 시간 흐름에 따른 민감도를 확인할 수 있다. 도 3과 마찬가지로 블록이 어두울수록 상기 시간 t1에서의 입력에 민감함을 나타낸다. 은닉층에서의 입력게이트는 하단에, 망각게이트는 좌측에, 출력게이트는 상단에 각각 표시되고, 각 게이트는 열린상태(O) 및 닫힌상태(-)로 표시되어 있다.
시간 t1에서의 입력값은 망각게이트가 열려 있고, 입력게이트가 닫혀 있는 한 기억이 유지된다. 시간 t2부터 t6까지는 입력게이트가 모두 닫혀있고, 망각게이트가 모두 열려있어, 시간 t1에서의 입력값이 시간 t6의 은닉층까지 민감도를 유지하며 전파된다. 이와 같은 시간 t1에서의 입력값에 대한 기억이 유지되고, 출력게이트를 열고 닫는 것 만으로도 출력을 할 수 있다.
이와 같이 LSTM 기반의 순환신경망은 망각게이트를 도입하여 학습에 대한 기여도가 낮은 데이터를 잊음으로써 일반적인 순환신경망에 비하여 넓은 시간범위의 데이터에서 높은 정확성으로 학습할 수 있는 효과를 발휘할 수 있다.
다만, 기여도가 낮은 데이터를 잊어버림으로써 학습 데이터의 전체적인 흐름을 학습하려는 경향을 갖기 때문에, 고주파성분을 노이즈로 인식하고 실시간으로 빠르게 변화하는 데이터에 대해서는 낮은 정밀도를 보이게 된다.
이와 같은 LSTM 기반의 순환신경망은 일반적인 순환신경망과 반대되는 특징을 갖고 있고, 이는 입력되는 학습 데이터의 주파수에 따라 변하는 특성으로서, 학습 데이터를 고주파성분 및 저주파성분으로 분리하여 각각의 성분에 적합한 인공신경망을 통한 학습을 수행함으로써 더욱 효과적이고 높은 정밀도의 학습을 수행할 수 있다.
도 5는 본 발명의 일 실시예에 따른 입력정보분리단계에서 저주파성분 및 고주파성분을 분리하는 동작을 개략적으로 도시하는 도면이다.
도 5에 도시된 바와 같이 시간에 따라 변화하는 데이터를 포함하는 학습대상정보는 데이터의 주파수 성분에 따라 저주파성분 및 고주파성분으로 분리될 수 있다. 본 발명의 일 실시예에서는 이와 같이 주파수 성분에 따라 분리하기 위해서 상기 시간에 따라 변화하는 데이터를 각각 고주파필터 및 저주파필터를 통과시킴으로써 저주파성분 및 고주파성분만을 남겨 분리할 수 있다.
도 6은 본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 방법을 이용한 예측방법의 각 단계를 개략적으로 도시하는 도면이다.
도 6을 참조하면 본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 방법을 이용한 출력정보 예측방법은, 학습대상정보를 입력 받는 정보입력단계(S100); 상기 학습대상정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리하는 입력정보분리단계(S200); 상기 저주파학습대상을 입력정보로 하는 학습된 제1인공신경망에 기초하여 제1출력정보를 도출하는 저주파예측단계(S300); 상기 고주파학습대상을 입력정보로 하는 학습된 제2인공신경망에 기초하여 제2출력정보를 도출하는 고주파예측단계(S400); 및 상기 제1출력정보 및 상기 제2출력정보에 기초하여 출력정보를 도출하는 출력정보결합단계(S500); 를 포함할 수 있다.
본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 방법에서는 우선 학습대상정보를 입력 받는다(S100). 본 발명의 일 실시예에서 상기 학습대상정보는 시계열 데이터일 수 있다. 이와 같은 학습대상정보에 기초하여 출력정보를 도출하게 된다.
이 후, 상기 학습대상정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리한다(S200). 본 발명에서는 이와 같이 학습대상정보를 주파수성분에 기초하여 저주파학습대상 및 고주파학습대상으로 분리하여 학습을 수행함으로써 학습의 효율 및 정확도를 높일 수 있다. 상기 기준주파수는 사용자에 의해 미리 입력될 수도 있고, 혹은 상기 학습대상정보에 기초하여 적합한 기준주파수를 도출하여 저장할 수도 있다.
이 후, 상기 저주파학습대상을 입력정보로 하는 학습된 제1인공신경망에 기초하여 제1출력정보를 도출하고(S300), 상기 상기 고주파학습대상을 입력정보로 하는 학습된 제2인공신경망에 기초하여 제2출력정보를 도출한다(S400). 상기 저주파예측단계(S300) 및 상기 고주파예측단계(S400)는 동시에 수행될 수도 있고, 혹은 임의의 순서대로 수행될 수도 있다. 이 때, 상기 제1인공신경망은, LSTM(Long and Short Term Memory) 기반의 순환신경망이고, 상기 제2인공신경망은, 순환신경망일 수 있다.
본 발명의 일 실시예에서 상기 제1인공신경망 및 상기 제2인공신경망은 도 1에서 설명한 것과 같은 주파수 기반의 복합형 딥 러닝 방법에 의해 학습을 수행한 인공신경망일 수 있다.
이와 같이 저주파학습대상 및 고주파학습대상에 대해 각각 적합한 인공신경망을 통해 학습을 수행함으로써 학습의 효율 및 정확도를 높일 수 있다.
이 후, 상기 제1출력정보 및 상기 제2출력정보에 기초하여 출력정보를 도출한다(S500). 상기 제1출력정보 및 상기 제2출력정보는 각각 상기 제1인공신경망 및 상기 제2인공신경망의 출력으로서, 상기 제1출력정보 및 상기 제2출력정보에 기초하여 최종 출력정보를 도출하게 된다. 이 때, 상기 제1출력정보 및 상기 제2출력정보에 기초하여 상기 출력정보를 도출하는 방법은 상기 출력정보의 특성에 따라 결정될 수 있다.
도 7은 본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 장치의 내부 구조를 개략적으로 도시하는 도면이다.
도 7을 참조하면 본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 장치는, 학습대상정보를 입력 받는 정보입력부(100); 상기 학습대상정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리하는 입력정보분리부(200); 분리된 학습대상정보를 입력정보로 하는 학습된 2 이상의 인공신경망에 기초하여 각각 제1출력정보 및 제2출력정보를 도출하는 예측정보출력부(300); 및 상기 제1출력정보 및 상기 제2출력정보에 기초하여 출력정보를 도출하는 출력정보결합부(500); 를 포함할 수 있다.
상기 정보입력부(100)는 학습대상정보를 입력 받는다. 본 발명의 일 실시예에서 상기 학습대상정보는 시계열 데이터일 수 있다. 이와 같은 학습대상정보에 기초하여 상기 주파수 기반의 복합형 딥 러닝 장치는 출력정보를 도출하게 된다.
상기 입력정보분리부(200)는 상기 학습대상정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리한다. 본 발명에서는 이와 같이 학습대상정보를 주파수성분에 기초하여 저주파학습대상 및 고주파학습대상으로 분리하여 학습을 수행함으로써 학습의 효율 및 정확도를 높일 수 있다. 상기 기준주파수는 사용자에 의해 미리 입력될 수도 있고, 혹은 상기 학습대상정보에 기초하여 적합한 기준주파수를 상기 입력정보분리부(200)에 의해 도출하여 저장할 수도 있다.
상기 예측정부출력부(300)는 상기 저주파학습대상 및 상기 고주파학습대상을 입력정보로 하는 학습된 각각의 인공신경망에 기초하여 출력정보를 도출한다.
본 발명의 일 실시예에서 상기 예측정보출력부(300)는 상기 저주파학습대상을 입력정보로 하는 학습된 제1인공신경망에 기초하여 제1출력정보를 도출하는 저주파예측부(310); 및 상기 고주파학습대상을 입력정보로 하는 학습된 제2인공신경망에 기초하여 제2출력정보를 도출하는 고주파예측부(320); 를 포함할 수 있다. 이 때, 상기 제1인공신경망은, LSTM(Long and Short Term Memory) 기반의 순환신경망이고, 상기 제2인공신경망은, 순환신경망일 수 있다.
이와 같이 저주파학습대상 및 고주파학습대상에 대해 각각 적합한 인공신경망을 통해 학습을 수행함으로써 학습의 효율 및 정확도를 높일 수 있다.
상기 출력정보결합부(500)는 상기 제1출력정보 및 상기 제2출력정보에 기초하여 출력정보를 도출한다. 상기 제1출력정보 및 상기 제2출력정보는 각각 상기 제1인공신경망 및 상기 제2인공신경망의 출력으로서, 상기 제1출력정보 및 상기 제2출력정보에 기초하여 최종 출력정보를 도출하게 된다. 이 때, 상기 제1출력정보 및 상기 제2출력정보에 기초하여 상기 출력정보를 도출하는 방법은 상기 출력정보의 특성에 따라 결정될 수 있다.
2. 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법
도 8은 본 발명의 일 실시예에 따른 케이블 병렬 로봇을 개략적으로 도시하는 도면이다.
도 8을 참조하면 본 발명의 일 실시예에 따른 케이블 병렬 로봇은 A1, A2, A3, A4, A5, A6, A7 및 A8의 연결부를 포함하고, 상기 케이블 병렬 로봇을 지지하는 구조물의 B1, B2, B3, B4, B5, B6, B7 및 B8 위치의 고정점과 각각 상응하는 연결부가 케이블로 연결된다. 도 8에서는 상기 A1과 B1이 케이블 C1로 연결되고, A2와 B2, A3와 B3, A4와 B4, 등등 상응하는 연결부 및 고정점이 케이블 C2, C3, C4 등으로 연결되어 있다. 도 8에 도시된 케이블 병렬 로봇은 8개의 연결부 및 8개의 고정점을 포함하여 8개의 케이블에 의해 연결된다. 이는 본 발명의 일 실시예일뿐이고, 본 발명은 연결된 케이블의 개수 및 위치에 있어서 도 8에 한정되지 않고, 다양한 수의 연결케이블 및 다양한 위치의 고정점 및 연결부를 포함할 수 있다.
도 8에 도시된 것과 같은 케이블 병렬 로봇은 연결된 케이블을 이용하여 이동 및 회전이 가능하다. 이를 위해 상기 케이블 병렬 로봇은 연결부 혹은 고정점 중 1 이상에 상기 케이블을 당기거나, 혹은 풀어줄 수 있는 장치를 포함할 수 있다.
도 8에서 도시된 것과 같은 케이블 병렬 로봇의 경우, 케이블 C1, C2, C5, C6를 당기고, 나머지 케이블 C3, C4, C7, C8을 풀어줌으로써 상기 케이블 병렬 로봇이 도 8의 좌측으로 이동할 수 있다. 이와 같은 케이블들을 당기거나 풀어주도록 제어함으로써 상기 케이블 병렬 로봇의 위치 및 회전을 제어할 수 있다. 이와 같은 케이블의 제어는 상기 케이블에 걸리는 장력을 제어함으로써 수행될 수 있다.
도 9는 본 발명의 일 실시예에 따른 시스템모델의 동작을 개략적으로 도시하는 도면이다.
도 8에 도시된 것과 같은 케이블 병렬 로봇의 움직임은 상기 케이블 병렬 로봇 및 상기 케이블 병렬 로봇이 고정되는 구조물의 기구학적 모델링을 통해 도출된 시스템모델을 통해 도출될 수 있고, 이와 같은 시스템모델을 통해 목적 움직임을 위한 케이블의 제어를 수행할 수 있게 된다.
도 9의 실시예를 살펴보면 케이블 C1, C2, …, C8의 장력을 각각 T1, T2, …, T8이라 할 때, 시간에 따라 변화하는 상기 장력들을 상기 시스템모델에 입력하게 되면 상기 케이블 병렬 로봇의 x, y, z 좌표 및 θx, θy, θz 각도가 도출된다.
이를 역으로 계산하면 상기 케이블 병렬 로봇의 좌표 및 각도를 위해 필요한 장력을 도출할 수 있고, 이와 같은 장력을 상기 케이블 병렬 로봇에 가함으로써 상기 케이블 병렬 로봇의 제어를 수행할 수 있다.
이 때, 상기 케이블을 통한 제어의 경우 케이블의 비선형적인 특성과 시간 의존적인 특성 때문에 수학적인 모델의 복잡성이 가중되고, 각각의 동적 특성 및 정적 특성을 모델링하고 통합하기 위해서는 많은 파라미터의 정보를 필요로 하게 된다. 예를 들어 상기 케이블을 통한 제어에 있어서 상기 케이블의 진동, 온도에 따른 상기 케이블의 변형 혹은 장력에 의해 발생하는 정적, 동적 크리프, 히스테리시스 및 경화, 단기 및 장기적인 케이블의 수축 등 다양한 특성에 대하여 모든 파라미터를 입력하여 모델링을 수행하기는 어렵다. 이와 같은 요소를 제외하여 모델링을 수행하는 경우 자세의 에러를 야기하게 되어 원활한 제어를 수행할 수 없게 된다.
이에 반해 딥 러닝 알고리즘을 통해 입력되는 장력에 대한 상기 케이블 병렬 로봇의 좌표 및 각도를 도출할 수 있도록 학습을 하게 되면 간단하면서도 효과적으로 제어를 수행할 수 있게 된다. 본 발명의 일 실시예에서는 딥 러닝 알고리즘을 통해 상기 케이블 병렬 로봇의 좌표 및 각도를 직접 도출하지 않고, 기구학적 모델링 등을 통한 시스템모델과 실제 케이블 병렬 로봇의 차이인 에러를 도출하여 상기 시스템모델에 적용하는 방법으로 제어를 수행할 수도 있다.
이 때, 도 9에 도시된 바와 같이 입력되는 제어 정보는 시간에 따른 장력정보와 같은 시계열 데이터이므로 도 1 내지 도 7에서 설명한 것과 같은 주파수 기반의 복합형 딥 러닝 방법을 이용하여 학습을 수행하면 효율적으로 학습을 수행할 수 있다.
도 10은 본 발명의 일 실시예에 따른 에러예측시스템을 이용한 시스템모델의 동작을 개략적으로 도시하는 도면이다.
도 10을 참조하면 입력정보는 시스템모델 및 에러예측시스템으로 입력된다. 상기 입력정보는 상기 케이블 병렬 로봇을 제어하기 위한 정보일 수 있다. 더욱 상세하게는 상기 케이블 병렬 로봇에 연결된 케이블의 장력 정보일 수 있다.
입력된 상기 입력정보에 기초하여 상기 에러예측시스템에서는 예측에러를 도출한다. 이 때 상기 에러예측시스템은 인공신경망을 통해 상기 예측에러를 도출할 수 있다. 더욱 상세하게는 상기 에러예측시스템은 상기 입력정보를 기준주파수에 따라 분리하여 각각 다른 알고리즘에 의한 인공신경망을 통해 학습을 수행하여 예측에러를 도출한다.
상기 시스템모델은 상기 입력정보 및 상기 예측에러에 기초하여 출력정보를 도출한다. 상기 시스템모델은 상기 입력정보에 기초하여 일차적으로 출력정보를 도출하고, 입력 받은 예측에러에 기초하여 도출된 출력정보를 보정함으로써 최종 출력정보를 도출할 수 있다.
도 11은 본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법의 각 단계를 개략적으로 도시하는 도면이다.
도 11을 참조하면 본 발명의 일 실시예에 따른 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법은, 상기 케이블 병렬 로봇의 제어정보를 입력 받는 정보입력단계(S1000); 상기 제어정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리하는 제어정보분리단계(S2000); 상기 저주파학습대상을 입력정보로 하는 학습된 제1인공신경망에 기초하여 제1예측에러를 도출하는 저주파예측단계(S3000); 상기 고주파학습대상을 입력정보로 하는 학습된 제2인공신경망에 기초하여 제2예측에러를 도출하는 고주파예측단계(S4000); 상기 제1예측에러 및 상기 제2예측에러에 기초하여 예측에러를 도출하는 예측에러결합단계(S5000); 상기 케이블 병렬 로봇의 움직임을 모델링하여 시스템모델을 생성하는 시스템모델링단계(S6000); 및 상기 시스템모델에 상기 제어정보 및 상기 예측에러를 입력하여 출력정보를 도출하는 출력정보도출단계(S7000); 를 포함할 수 있다.
본 발명의 일 실시예에 따른 케이블 병렬 로봇의 구동 제어 방법은 우선 상기 케이블 병렬 로봇의 제어정보를 입력 받는다(S1000). 본 발명의 일 실시예에서 상기 제어정보는 시계열 데이터일 수 있다. 더욱 상세하게는 상기 제어정보는 상기 케이블 병렬 로봇의 구동 케이블의 장력정보일 수 있다. 이와 같은 제어정보에 기초하여 출력정보를 도출하게 된다.
이 후, 상기 제어정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리한다(S2000). 본 발명에서는 이와 같이 제어정보를 주파수성분에 기초하여 저주파학습대상 및 고주파학습대상으로 분리하여 학습을 수행함으로써 학습의 효율 및 정확도를 높일 수 있다. 상기 기준주파수는 사용자에 의해 미리 입력될 수도 있고, 혹은 상기 학습대상정보에 기초하여 적합한 기준주파수를 도출하여 저장할 수도 있다.
이 후, 상기 저주파학습대상을 입력정보로 하는 학습된 제1인공신경망에 기초하여 제1예측에러를 도출하고(S3000), 상기 고주파학습대상을 입력정보로 하는 학습된 제2인공신경망에 기초하여 제2예측에러를 도출한다(S4000). 상기 저주파예측단계(S3000) 및 상기 고주파예측단계(S4000)는 동시에 수행될 수도 있고, 혹은 임의의 순서대로 수행될 수도 있다. 이 때, 상기 제1인공신경망은, LSTM(Long and Short Term Memory) 기반의 순환신경망이고, 상기 제2인공신경망은, 순환신경망일 수 있다.
본 발명의 일 실시예에서 상기 제1인공신경망 및 상기 제2인공신경망은 도 1에서 설명한 것과 같은 주파수 기반의 복합형 딥 러닝 방법에 의해 학습을 수행한 인공신경망일 수 있다. 이 때 상기 제1인공신경망 및 상기 제2인공신경망은 각각 상기 저주파학습대상 및 상기 고주파학습대상을 입력 받고, 출력된 상기 제1예측에러 및 상기 제2예측에러를 실제 상기 케이블 병렬 로봇의 구동 에러와 비교함으로써 상기 제1인공신경망 및 상기 제2인공신경망의 가중치를 조절하는 지도학습방법을 사용하여 학습될 수 있다.
이와 같이 저주파학습대상 및 고주파학습대상에 대해 각각 적합한 인공신경망을 통해 학습을 수행함으로써 학습의 효율 및 정확도를 높일 수 있다.
이 후, 상기 제1예측에러 및 상기 제2예측에러에 기초하여 예측에러를 도출한다(S5000). 상기 제1예측에러 및 상기 제2예측에러는 각각 상기 제1인공신경망 및 상기 제2인공신경망의 출력으로서, 상기 제1예측에러 및 상기 제2예측에러에 기초하여 최종 예측에러를 도출하게 된다. 이 때, 상기 제1예측에러 및 상기 제2예측에러에 기초하여 상기 예측에러를 도출하는 방법은 상기 출력정보의 특성에 따라 결정될 수 있다. 본 발명의 일 실시예에서는 상기 제1예측에러 및 상기 제2예측에러를 더함으로써 상기 예측에러를 도출할 수 있다.
본 발명의 일 실시예에서 상기 예측에러는 상기 시스템모델의 출력정보와 실제 케이블 병렬 로봇의 움직임의 측정정보간의 에러의 예측값일 수 있다.
이 후, 상기 케이블 병렬 로봇의 움직임을 모델링하여 시스템모델을 생성한다(S6000). 본 발명의 일 실시예에서 상기 시스템모델은 상기 케이블 병렬 로봇 및 상기 케이블 병렬 로봇이 고정되는 구조물의 기구학적 모델링을 통해 도출될 수 있다.
이 후, 상기 시스템모델에 상기 제어정보 및 상기 예측에러를 입력하여 출력정보를 도출한다(S7000). 상기 시스템모델은 상기 케이블 병렬 로봇의 움직임을 출력정보로서 도출할 수 있다. 이를 위해 상기 시스템모델은 입력 받은 상기 제어정보를 통해 상기 케이블 병렬 로봇의 움직임을 도출하고, 입력 받은 상기 예측에러를 통해 도출된 상기 케이블 병렬 로봇의 움직임을 보정하여 최종 출력정보를 도출해 낼 수 있다.
도 12는 본 발명의 일 실시예에 있어서, 컴퓨팅 장치의 내부 구성의 일례를 설명하기 위한 블록도이다.
도 12에 도시한 바와 같이, 컴퓨팅 장치(11000)은 적어도 하나의 프로세서(processor)(11100), 메모리(memory)(11200), 주변장치 인터페이스(peripheral interface)(11300), 입/출력 서브시스템(I/O subsystem)(11400), 전력 회로(11500) 및 통신 회로(11600)를 적어도 포함할 수 있다. 이때, 컴퓨팅 장치(11000)는 딥 러닝 장치 혹은 에러예측시스템에 해당될 수 있다.
메모리(11200)는, 일례로 고속 랜덤 액세스 메모리(high-speed random access memory), 자기 디스크, 에스램(SRAM), 디램(DRAM), 롬(ROM), 플래시 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(11200)는 컴퓨팅 장치(11000)의 동작에 필요한 소프트웨어 모듈, 명령어 집합 또는 그밖에 다양한 데이터를 포함할 수 있다.
이때, 프로세서(11100)나 주변장치 인터페이스(11300) 등의 다른 컴포넌트에서 메모리(11200)에 액세스하는 것은 프로세서(11100)에 의해 제어될 수 있다.
주변장치 인터페이스(11300)는 컴퓨팅 장치(11000)의 입력 및/또는 출력 주변장치를 프로세서(11100) 및 메모리 (11200)에 결합시킬 수 있다. 프로세서(11100)는 메모리(11200)에 저장된 소프트웨어 모듈 또는 명령어 집합을 실행하여 컴퓨팅 장치(11000)을 위한 다양한 기능을 수행하고 데이터를 처리할 수 있다.
입/출력 서브시스템(11400)은 다양한 입/출력 주변장치들을 주변장치 인터페이스(11300)에 결합시킬 수 있다. 예를 들어, 입/출력 서브시스템(11400)은 모니터나 키보드, 마우스, 프린터 또는 필요에 따라 터치스크린이나 센서 등의 주변장치를 주변장치 인터페이스(11300)에 결합시키기 위한 컨트롤러를 포함할 수 있다. 다른 측면에 따르면, 입/출력 주변장치들은 입/출력 서브시스템(11400)을 거치지 않고 주변장치 인터페이스(11300)에 결합될 수도 있다.
전력 회로(11500)는 단말기의 컴포넌트의 전부 또는 일부로 전력을 공급할 수 있다. 예를 들어 전력 회로(11500)는 전력 관리 시스템, 배터리나 교류(AC) 등과 같은 하나 이상의 전원, 충전 시스템, 전력 실패 감지 회로(power failure detection circuit), 전력 변환기나 인버터, 전력 상태 표시자 또는 전력 생성, 관리, 분배를 위한 임의의 다른 컴포넌트들을 포함할 수 있다.
통신 회로(11600)는 적어도 하나의 외부 포트를 이용하여 다른 컴퓨팅 장치와 통신을 가능하게 할 수 있다.
또는 상술한 바와 같이 필요에 따라 통신 회로(11600)는 RF 회로를 포함하여 전자기 신호(electromagnetic signal)라고도 알려진 RF 신호를 송수신함으로써, 다른 컴퓨팅 장치와 통신을 가능하게 할 수도 있다.
이러한 도 12의 실시예는, 컴퓨팅 장치(11000)의 일례일 뿐이고, 컴퓨팅 장치(11000)은 도 12에 도시된 일부 컴포넌트가 생략되거나, 도 12에 도시되지 않은 추가의 컴포넌트를 더 구비하거나, 2개 이상의 컴포넌트를 결합시키는 구성 또는 배치를 가질 수 있다. 예를 들어, 모바일 환경의 통신 단말을 위한 컴퓨팅 장치는 도 12에 도시된 컴포넌트들 외에도, 터치스크린이나 센서 등을 더 포함할 수도 있으며, 통신 회로(1160)에 다양한 통신방식(WiFi, 3G, LTE, Bluetooth, NFC, Zigbee 등)의 RF 통신을 위한 회로가 포함될 수도 있다. 컴퓨팅 장치(11000)에 포함 가능한 컴포넌트들은 하나 이상의 신호 처리 또는 어플리케이션에 특화된 집적 회로를 포함하는 하드웨어, 소프트웨어, 또는 하드웨어 및 소프트웨어 양자의 조합으로 구현될 수 있다.
본 발명의 실시예에 따른 방법들은 다양한 컴퓨팅 장치를 통하여 수행될 수 있는 프로그램 명령(instruction) 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 특히, 본 실시예에 따른 프로그램은 PC 기반의 프로그램 또는 모바일 단말 전용의 어플리케이션으로 구성될 수 있다. 본 발명이 적용되는 애플리케이션은 파일 배포 시스템이 제공하는 파일을 통해 이용자 단말에 설치될 수 있다. 일 예로, 파일 배포 시스템은 이용자 단말이기의 요청에 따라 상기 파일을 전송하는 파일 전송부(미도시)를 포함할 수 있다.
본 발명의 일 실시예에 따르면 시계열 데이터를 이용하여 학습함에 있어서 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상을 분리하여 각각의 성분에 적합한 인공신경망을 통해 학습함으로써 학습의 효율을 높일 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면 저주파학습대상에 대해서는 LSTM 기반의 순환신경망을 통해 학습함으로써 준정적 효과의 예측이 가능하다.
본 발명의 일 실시예에 따르면 고주파학습대상에 대해서는 순환신경망을 통해 학습함으로써 동적효과의 예측이 가능하다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (9)

  1. 컴퓨팅 장치에 의해 수행되는 주파수 기반의 복합형 딥 러닝 방법으로서,
    학습대상정보를 입력 받는 정보입력단계;
    상기 학습대상정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리하는 입력정보분리단계;
    상기 저주파학습대상을 입력정보로 하는 학습된 제1인공신경망에 기초하여 제1출력정보를 도출하는 저주파예측단계;
    상기 고주파학습대상을 입력정보로 하는 학습된 제2인공신경망에 기초하여 제2출력정보를 도출하는 고주파예측단계; 및
    상기 제1출력정보 및 상기 제2출력정보에 기초하여 출력정보를 도출하는 출력정보결합단계; 를 포함하는, 주파수 기반의 복합형 딥 러닝 방법.
  2. 청구항 1에 있어서,
    상기 학습대상정보는 시계열 데이터인, 주파수 기반의 복합형 딥 러닝 방법.
  3. 청구항 2에 있어서,
    상기 제1인공신경망은, LSTM(Long and Short Term Memory) 기반의 순환신경망이고,
    상기 제2인공신경망은, 순환신경망인, 주파수 기반의 복합형 딥 러닝 방법.
  4. 주파수 기반의 복합형 딥 러닝 장치로서,
    학습대상정보를 입력 받는 정보입력부;
    상기 학습대상정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리하는 입력정보분리부;
    상기 저주파학습대상을 입력정보로 하는 학습된 제1인공신경망에 기초하여 제1출력정보를 도출하는 저주파예측부;
    상기 고주파학습대상을 입력정보로 하는 학습된 제2인공신경망에 기초하여 제2출력정보를 도출하는 고주파예측부; 및
    상기 제1출력정보 및 상기 제2출력정보에 기초하여 출력정보를 도출하는 출력정보결합부; 를 포함하는, 주파수 기반의 복합형 딥 러닝 장치.
  5. 주파수 기반의 복합형 딥 러닝을 위한 컴퓨터-판독가능 매체로서,
    상기 컴퓨터-판독가능 매체는, 컴퓨팅 장치로 하여금 이하의 단계들을 수행하도록 하는 명령들을 저장하며, 상기 단계들은:
    학습대상정보를 입력 받는 정보입력단계;
    상기 학습대상정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리하는 입력정보분리단계;
    상기 저주파학습대상을 입력정보로 하는 학습된 제1인공신경망에 기초하여 제1출력정보를 도출하는 저주파예측단계;
    상기 고주파학습대상을 입력정보로 하는 학습된 제2인공신경망에 기초하여 제2출력정보를 도출하는 고주파예측단계; 및
    상기 제1출력정보 및 상기 제2출력정보에 기초하여 출력정보를 도출하는 출력정보결합단계; 를 포함하는, 컴퓨터-판독가능 매체.
  6. 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법으로서,
    상기 케이블 병렬 로봇의 제어정보를 입력 받는 정보입력단계;
    상기 제어정보를 기설정된 기준주파수에 따라 저주파학습대상 및 고주파학습대상으로 분리하는 제어정보분리단계;
    상기 저주파학습대상을 입력정보로 하는 학습된 제1인공신경망에 기초하여 제1예측에러를 도출하는 저주파예측단계;
    상기 고주파학습대상을 입력정보로 하는 학습된 제2인공신경망에 기초하여 제2예측에러를 도출하는 고주파예측단계;
    상기 제1예측에러 및 상기 제2예측에러에 기초하여 예측에러를 도출하는 예측에러결합단계; 및
    상기 케이블 병렬 로봇의 움직임을 모델링하는 시스템모델에 상기 제어정보 및 상기 예측에러를 입력하여 출력정보를 도출하는 출력정보도출단계; 를 포함하는, 케이블 병렬 로봇의 구동 제어 방법.
  7. 청구항 6에 있어서,
    상기 제어정보는 시계열 데이터인, 케이블 병렬 로봇의 구동 제어 방법.
  8. 청구항 7에 있어서,
    상기 제1인공신경망은, LSTM(Long and Short Term Memory) 기반의 순환신경망이고,
    상기 제2인공신경망은, 순환신경망인, 케이블 병렬 로봇의 구동 제어 방법.
  9. 청구항 7에 있어서,
    상기 제어정보는 상기 케이블 병렬 로봇의 구동 케이블의 장력정보이고,
    상기 예측에러는 상기 시스템모델의 출력정보와 실제 케이블 병렬 로봇의 움직임의 측정정보간의 에러의 예측값인, 케이블 병렬 로봇의 구동 제어 방법.
KR1020180077579A 2018-07-04 2018-07-04 주파수 기반의 복합형 딥 러닝 방법, 장치 및 컴퓨터-판독가능 매체 및 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법 KR102106992B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180077579A KR102106992B1 (ko) 2018-07-04 2018-07-04 주파수 기반의 복합형 딥 러닝 방법, 장치 및 컴퓨터-판독가능 매체 및 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180077579A KR102106992B1 (ko) 2018-07-04 2018-07-04 주파수 기반의 복합형 딥 러닝 방법, 장치 및 컴퓨터-판독가능 매체 및 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법

Publications (2)

Publication Number Publication Date
KR20200010665A KR20200010665A (ko) 2020-01-31
KR102106992B1 true KR102106992B1 (ko) 2020-05-06

Family

ID=69369272

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180077579A KR102106992B1 (ko) 2018-07-04 2018-07-04 주파수 기반의 복합형 딥 러닝 방법, 장치 및 컴퓨터-판독가능 매체 및 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법

Country Status (1)

Country Link
KR (1) KR102106992B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101141603B1 (ko) 2011-10-04 2012-05-17 국방과학연구소 다중 주파수 환경에서의 원격 로봇 운용을 위한 원격 통제 장치 및 원격 통제 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101141603B1 (ko) 2011-10-04 2012-05-17 국방과학연구소 다중 주파수 환경에서의 원격 로봇 운용을 위한 원격 통제 장치 및 원격 통제 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
박경수 외 3명. LSTM 알고리즘을 이용한 6자유도 케이블 병렬로봇의 형상보정. 2018년 4월
허준무 외 2명. 실험을 통한 케이블 병렬로봇의 위치/장력 제어의 자세 정확도 검증. 2018년 5월
허준무 외 2명. 케이블과 도르레의 Coulomb friction 보상 모델 개발. 2018년 5월

Also Published As

Publication number Publication date
KR20200010665A (ko) 2020-01-31

Similar Documents

Publication Publication Date Title
Bai et al. A self-cognizant dynamic system approach for prognostics and health management
US20100082126A1 (en) Control device, control program, and control method
CN105739310A (zh) 一种基于多模型的伺服系统自适应控制系统
CN110481536B (zh) 一种应用于混合动力汽车的控制方法及设备
Zahn et al. Application of a long short-term memory neural network for modeling transonic buffet aerodynamics
KR102662329B1 (ko) 자동학습 기반 시계열 데이터 예측 및 제어 방법 및 장치
Ma et al. A hybrid dynamic equivalent using ANN-based boundary matching technique
CN110210654A (zh) 产品模型设计系统及方法
Ni et al. Heuristic dynamic programming with internal goal representation
Mitchell et al. Explanation based learning: A comparison of symbolic and neural network approaches
Baker A learning-boosted quasi-newton method for ac optimal power flow
Ma et al. Testing self-healing cyber-physical systems under uncertainty: a fragility-oriented approach
CN113033757B (zh) 用于测试神经网络中算子精度的方法、装置和计算机可读存储介质
US10108513B2 (en) Transferring failure samples using conditional models for machine condition monitoring
Kosmatopoulos Control of unknown nonlinear systems with efficient transient performance using concurrent exploitation and exploration
KR102106992B1 (ko) 주파수 기반의 복합형 딥 러닝 방법, 장치 및 컴퓨터-판독가능 매체 및 주파수 기반의 복합형 딥 러닝 방법을 이용한 케이블 병렬 로봇의 구동 제어 방법
Korayem et al. Integrated nonlinear suboptimal control‐and‐estimator based on the state‐dependent differential Riccati equation approach
CN113033762B (zh) 用于测试神经网络中算子精度的方法、装置和计算机可读存储介质
Zaman et al. Neural network based prediction of stable equivalent series resistance in voltage regulator characterization
Liu et al. Learning robust and correct controllers from signal temporal logic specifications using barriernet
CN113033760B (zh) 用于测试神经网络中算子精度的方法、测试装置及其系统
Franco et al. Discrete-time model based control of soft manipulator with FBG sensing
Wen et al. Optimal fast-response sliding-mode control for flexible-substrate measurement
Abd Elgader et al. Breast cancer diagnosis using artificial intelligence neural networks
Cui et al. State-of-health estimation of lithium-ion batteries with attention-based deep learning

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant