KR102626109B1 - 로봇의 유효 작업 지점을 결정하기 위한 방법 - Google Patents
로봇의 유효 작업 지점을 결정하기 위한 방법 Download PDFInfo
- Publication number
- KR102626109B1 KR102626109B1 KR1020230011389A KR20230011389A KR102626109B1 KR 102626109 B1 KR102626109 B1 KR 102626109B1 KR 1020230011389 A KR1020230011389 A KR 1020230011389A KR 20230011389 A KR20230011389 A KR 20230011389A KR 102626109 B1 KR102626109 B1 KR 102626109B1
- Authority
- KR
- South Korea
- Prior art keywords
- work
- robot
- posture
- work point
- point
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000008569 process Effects 0.000 title claims description 44
- 230000036544 posture Effects 0.000 claims description 138
- 238000003860 storage Methods 0.000 claims description 19
- 230000009471 action Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 description 37
- 238000013528 artificial neural network Methods 0.000 description 31
- 230000002787 reinforcement Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003466 welding Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
- B25J9/1666—Avoiding collision or forbidden zones
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manipulator (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
Abstract
본 개시는 컴퓨팅 장치에 의해 수행되는, 로봇의 유효 작업 지점(valid working spot)을 결정하기 위한 방법에 관한 것으로, 상기 방법은, 작업 지점을 식별하는 단계; 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세(pose)를 취할 수 있는지 여부를 결정하는 단계; 상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 단계; 및 상기 로봇의 유효 작업 지점에 기초하여, 작업 지점 분배를 위한 탐색 공간(search space)을 생성하는 단계를 포함할 수 있다.
Description
본 개시는 로봇 공정의 프로그램에 사용되는 유효 작업 지점을 결정하기 위한 방법에 관한 것으로써, 보다 상세하게는, 유효 작업 지점(예컨대, 특정 로봇이 작업을 수행할 수 있는 작업 지점)을 결정하고, 작업 지점 분배를 위한 탐색 공간을 효율적으로 결정하는 방법에 관련된 것이다.
오프라인 프로그래밍(OLP; Off Line Program)은, 시뮬레이션 상에서 로봇 공정의 프로그램을 설계하고, 테스트한 뒤에, 생성된 프로그램을 실제 로봇에 반영하는 것을 의미한다.
오늘날에는, 오프라인 프로그래밍(OLP) 기술을 활용하여, 설계자가 직접 로봇을 조종하며 로봇의 동작을 설계하지 않고, 가상의 공간에서 로봇의 동작을 설계할 수 있게 되었다.
그러나, 설계자가 프로그램을 설계함에 있어서, 로봇의 관절의 개수, 로봇의 개수, 장애물, 작업 지점의 개수, 및 스테이션(station)의 개수 등의 공정의 규모에 따라 탐색 영역(search space)이 기하급수적으로 방대해지는 까닭에 대규모 공정에서의 오프라인 프로그래밍은 시간적인 측면과 비용적인 측면에서, 최적화가 어렵다는 문제가 존재한다.
따라서, 당업계에선 이러한 로봇 공정 프로그램의 생성 과정에서 발생하는 문제점을 해결하기 위해 오프라인 프로그래밍을 위한 탐색 공간(searching space)을 최적으로 결정하는 솔루션에 대한 수요가 존재한다.
한편, 본 개시는 이상에서 살핀 기술적 배경에 적어도 기초하여 도출되었으나, 본 개시의 기술적 과제 또는 목적은, 이상에서 살핀 문제점 또는 단점을 해결하는 것에 한정되지는 않는다. 즉, 본 개시는, 이상에서 살핀 기술적 이슈(issue) 이외에도, 이하에서 설명할 내용과 관련된 다양한 기술적 이슈들을 커버(cover)할 수 있다.
본 개시는, 전술한 배경기술에 대응하여 안출 된 것으로, 오프라인 프로그래밍(OLP)을 위하여 탐색 공간을 효율적으로 결정하는 솔루션을 제공하는 것을 해결과제로 한다.
한편, 본 개시가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 포함될 수 있다.
전술한 과제를 하기 위한 적어도 하나의 컴퓨팅 장치에 의해 수행되는, 로봇의 유효 작업 지점(valid working spot)을 결정하기 위한 방법이 개시된다. 상기 방법은, 작업 지점을 식별하는 단계; 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세(pose)를 취할 수 있는지 여부를 결정하는 단계; 상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 단계; 및 상기 로봇의 유효 작업 지점에 기초하여, 작업 지점 분배를 위한 탐색 공간(search space)을 생성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 작업 지점을 식별하는 단계는, 상기 작업 지점의 위치 정보를 식별하는 단계; 및 상기 작업 지점의 작업 방향 정보를 식별하는 단계를 포함할 수 있다.
일 실시예에서, 상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는지 여부를 결정하는 단계는, 상기 로봇이 상기 로봇의 작업 부위를 상기 작업 지점에 위치시킬 수 있는 자세를 식별하는 단계; 상기 식별된 자세가 충돌을 발생시키는지 여부를 확인하는 단계; 및 상기 식별된 자세가 충돌을 발생시키는 경우, 상기 식별된 자세에 기초하여 새로운 자세를 탐색하는 단계를 포함할 수 있다.
일 실시예에서, 상기 식별된 자세에 기초하여 새로운 자세를 탐색하는 단계는, 상기 로봇의 작업 부위를 상기 로봇의 특정 축(axis) 방향을 중심으로 회전시키면서 IK(Inverse Kinematics) 연산을 수행하는 단계; 상기 로봇의 작업 부위를 상기 로봇의 특정 축 방향으로 병진 운동을 시키면서 IK(Inverse Kinematics) 연산을 수행하는 단계; 또는 상기 로봇의 작업 부위의 작업 방향을 변화시키면서 IK(Inverse Kinematics) 연산을 수행하는 단계 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 단계는, 상기 적어도 하나의 자세에 기초하여, 상기 유효 작업 지점과 연관된 적어도 하나의 후보 작업 자세를 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 유효 작업 지점과 연관된 적어도 하나의 후보 작업 자세를 결정하는 단계는, 작업 대상의 무게 중심까지의 거리 정보; 작업 대상의 축(axis)과 상기 로봇의 축 사이의 각도 정보; 또는 상기 로봇의 무게 중심과 상기 작업 대상의 메쉬 정점(mesh vertex) 간의 거리 정보 중 적어도 하나의 정보를 활용하여, 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 작업 지점 분배를 위한 탐색 공간을 생성하는 단계는, 상기 로봇의 유효 작업 지점 및 상기 적어도 하나의 후보 작업 자세에 기초하여, 작업 지점 분배를 위한 탐색 공간을 생성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 로봇의 유효 작업 지점 및 상기 적어도 하나의 후보 작업 자세에 기초하여, 작업 지점 분배를 위한 탐색 공간을 생성하는 단계는, 전체 작업 지점들 중 상기 로봇의 유효 작업 지점이 아닌 작업 지점들을 상기 로봇과 연관된 탐색 공간에서 제외하는 단계; 및 상기 적어도 하나의 후보 작업 자세를 미리 결정된 숫자 이하로 제한하는 단계를 포함할 수 있다.
일 실시예에서, 상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 단계는, 상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있지만 상기 로봇이 상기 작업 지점에 진입할 수 없다고 예측되는 경우, 상기 특정 작업 지점을 유효 작업 지점에서 제외하는 단계를 포함할 수 있다.
일 실시예에서, 상기 로봇이 상기 작업 지점에 진입할 수 있는지 여부에 대한 예측은, 상기 로봇의 이동을 상기 로봇의 작업 부위의 이동으로 근사화(approximation)하는 것에 기초하여 수행될 수 있다.
또한, 전술한 과제를 해결하기 위한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 프로그램은 적어도 하나의 프로세서로 하여금 로봇의 유효 작업 지점(valid working spot)을 결정하기 위한 동작들을 수행하게 하고, 상기 동작들은: 작업 지점을 식별하는 동작; 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세(pose)를 취할 수 있는지 여부를 결정하는 동작; 상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 동작; 및 상기 로봇의 유효 작업 지점에 기초하여, 작업 지점 분배를 위한 탐색 공간(search space)을 생성하는 동작을 포함할 수 있다.
또한, 전술한 과제를 해결하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 적어도 하나의 프로세서; 및 메모리를 포함하고, 상기 적어도 하나의 프로세서는, 작업 지점을 식별하고; 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세(pose)를 취할 수 있는지 여부를 결정하고; 상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하고; 그리고 상기 로봇의 유효 작업 지점에 기초하여, 작업 지점 분배를 위한 탐색 공간(search space)을 생성하도록 구성될 수 있다.
본 개시는 오프라인 프로그래밍(OLP)을 위하여 탐색 공간을 효율적으로 결정하는 솔루션을 제공할 수 있다. 예를 들어, 본 개시는, 각각의 로봇의 자세(pose)에 기초하여 각각의 로봇의 유효 작업 지점들을 결정하고, 결정된 유효 작업 지점들에 기초하여 작업 지점 분배(로봇들 사이의 작업 지점 분배)를 위한 탐색 공간을 축소함으로써, NP 하드(NP Hard; Non-deterministic Polynomial Hard) 문제인 작업 지점 분배의 문제를 "실현 가능한 시간 안에 최적화가 가능한 문제"로 전환시킬 수 있다.
한편, 본 개시의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.
도 1은 본 개시의 일 실시예에 따른 동작들을 수행하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시에 따른 뉴럴 네트워크를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라, 본 개시의 방법의 개략적인 흐름을 나타낸 순서도이다.
도 4는 본 개시의 일 실시예에 따른, 작업 대상의 무게 중심까지의 거리 정보와 관련된 개략도이다.
도 5는 본 개시의 일 실시예에 따른, 작업 대상의 축(axis)과 상기 로봇의 축 사이의 각도 정보와 관련된 개략도이다.
도 6은 본 개시의 일 실시예에 따른, 상기 로봇의 무게 중심과 상기 작업 대상의 메쉬 정점(mesh vertex) 간의 거리 정보와 관련된 개략도이다.
도 7은 본 개시의 일 실시예에 따른 로봇의 부분 장비를 표현한 개략도이다.
도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
도 2는 본 개시에 따른 뉴럴 네트워크를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라, 본 개시의 방법의 개략적인 흐름을 나타낸 순서도이다.
도 4는 본 개시의 일 실시예에 따른, 작업 대상의 무게 중심까지의 거리 정보와 관련된 개략도이다.
도 5는 본 개시의 일 실시예에 따른, 작업 대상의 축(axis)과 상기 로봇의 축 사이의 각도 정보와 관련된 개략도이다.
도 6은 본 개시의 일 실시예에 따른, 상기 로봇의 무게 중심과 상기 작업 대상의 메쉬 정점(mesh vertex) 간의 거리 정보와 관련된 개략도이다.
도 7은 본 개시의 일 실시예에 따른 로봇의 부분 장비를 표현한 개략도이다.
도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 개시에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 개시에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 개시에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 개시와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", B 만을 포함하는 경우" "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
통상의 기술자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 개시는 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망 모델의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망 모델의 파라미터 업데이트 등의 신경망 모델의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 신경망 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 본 개시에서 제시되는 네트워크부(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 개시에서 설명된 기술들은 위에서 언급된 다른 네트워크들 에서도 사용될 수 있다.
본 개시의 강화학습 방법은 시뮬레이션 모델과 강화학습 에이전트(agent)를 사용할 수 있다. 이때, 시뮬레이션 모델은 상태 정보 및 보상을 반환하는 주체이고, 강화학습 에이전트는 상황 정보 및 보상에 기반하여 행동을 결정하는 주체이다. 본 개시에 있어서 상황 정보는 현재 시점의 상황 정보 및 다음 시점의 상황 정보를 포함할 수 있다. 현재 시점의 상황 정보 및 다음 시점의 상황 정보는 각각 해당 상황 정보가 획득된 시점에 따라 분류될 수 있다. 예컨대, 발생한 순서에 따라 시점은 "t, t+1 t+2, t+3"등으로 분류될 수 있고, 상기 "t, t+1 t+2, t+3"은 1초, 10초, 또는 1분 간격으로 분류된 것일 수 있다. 구체적으로 본 개시에 따른 강화학습 에이전트는 적어도 하나의 에피소드(episode)에 기초하여 학습될 수 있다. 본 개시내용에서 "에피소드"는 일련의 순서를 갖는 데이터 시퀀스(sequence)를 의미하는 용어로 사용될 수 있다. 에피소드는 E개(E는 1 이상의 자연수)의 원소를 포함하는 복수의 E-튜플(tuple) 데이터들로 구성된 데이터 집합일 수 있다. 에피소드에 포함된 복수의 E-튜플 데이터들은 일련의 순서를 가질 수 있다. E-튜플 데이터에 관한 일례로, E가 '4'인 경우, 각각의 4-튜플 데이터는 현재 상황 정보, 현재 시점의 제어 동작, 현재 시점의 보상, 다음 상황 정보를 원소로 포함할 수 있다. E-튜플 데이터에 관한 다른 일례로, E가 '5'인 경우, 각각의 5-튜플 데이터는 현재 시점의 상황 정보, 현재 시점의 제어 동작, 현재 시점의 보상, 다음 시점의 상황 정보, 다음 시점의 제어 동작을 원소로 포함할 수도 있다.
본 개시에 따라 프로세서(110)가 강화학습을 수행하는 과정은 강화학습 에이전트에 포함된 뉴럴 네트워크의 각 노드 가중치 또는 편향값을 수정하는 단계를 포함할 수 있다. 상기 강화학습 에이전트에 포함된 뉴럴 네트워크의 각 노드 가중치 또는 편향값을 수정하는 단계는, 프로세서(110)에 의해, 도 4를 참조하여 상술된 뉴럴 네트워크에 관한 역전파(backpropagation) 기법과 동일 또는 유사한 방법으로 수행될 수 있다. 예를 들어, 임의의 시점 t에 관한 학습 데이터에 포함된 보상()이 양수인 경우, 프로세서(110)는 상기 학습 데이터에 포함된 임의의 시점 t에 관한 제어 동작()이 강화되도록 강화학습 에이전트에 포함된 하나 이상의 노드의 가중치 또는 편향값을 조절할 수 있다. 이때 강화학습 제어 모델에 포함된 하나 이상의 노드는, 강화학습 제어 모델이 상기 임의의 시점 t에 관한 학습 데이터에 포함된 상황 정보()를 입력 받은 후 상기 제어 동작()을 결정하는데 관여한 노드일 수 있다.
한편, 강화학습 에이전트는, 보상의 누적값(i.e. 리턴)이 최대가 되도록 각각의 상태 정보에 있어서 행동을 결정할 수 있다. 강화학습 에이전트가 행동을 결정하는 방법은 예를 들어, 가치 기반(Value-Based) 행동 결정 방법, 정책 기반(Policy-Based) 행동 결정 방법, 가치 및 정책 모두에 기반한 행동 결정 방법에 중 적어도 하나에 기초할 수 있다. 상기 가치 기반 행동 결정 방법은 가치 함수에 기초하여 각 상태에서 최고의 가치(value)를 주는 행동을 결정하는 방법이다. 가치 기반 행동 결정 방법의 예시로는 Q-learning, DQN(Deep Q-Network) 등이 포함될 수 있다. 상기 정책 기반 행동 결정 방법은 가치 함수 없이, 최종 리턴 및 정책 함수에 기초하여 행동을 결정하는 방법이다. 정책 기반 행동 결정 방법의 예시로는 Policy Gradient 기법 등이 포함될 수 있다. 상기 가치 및 정책 모두에 기반한 행동 결정 방법은 정책함수가 행동을 결정하면 가치함수가 행동을 평가하는 방식으로 학습하여 강화학습 에이전트의 행동을 결정하는 방법이다. 가치 및 정책 모두에 기반한 행동 결정 방법은 예를 들어, Actor-Critic 알고리즘, Soft Actor-Critic 알고리즘, A2C 알고리즘, A3C 알고리즘 등이 포함될 수 있다.
도 2는 본 개시에 따른 신경망 모델을 나타낸 개략도이다. 본 명세서에 걸쳐 신경망 모델, 인공 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 서로 동일한 의미로 사용될 수 있다. 신경망 모델은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 모델 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망 모델이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망 모델은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 모델 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 모델 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 모델의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망 모델을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망 모델을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 모델 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 모델 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 모델 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 모델 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망 모델을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망 모델은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망 모델일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망 모델은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망 모델일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망 모델은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망 모델일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망 모델은 상술한 신경망 모델들의 조합된 형태의 신경망 모델일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망 모델)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망 모델을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망 모델의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 강화학습 방법에 대하여는 자세히 후술한다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
본 개시의 일 실시예에 따른 로봇의 유효 작업 지점을 결정하기 위한 방법을 설명하기에 앞서, 본 개시가 적용될 수 있는 "로봇 공정 프로그램을 생성하기 위한 과정"의 예시가 대략적으로 설명된다.
로봇 공정 프로그램을 생성하기 위한 과정은 크게 ⓐ"로봇 마다 작업을 수행할 작업 지점을 분배하는 과정"과 ⓑ"로봇 마다 로봇의 작업 경로와 작업 순서를 결정하는 과정"으로 나누어질 수 있다. 이때, 단순히 모든 경우의 수를 고려하여 ⓐ 및 ⓑ 과정을 수행할 경우, 고려해야할 경우의 수(즉, 탐색 공간)가 너무 과도하여 시간과 비용적인 측면에서 가장 비효율 적일 것이 자명하다. ⓐ 과정은 스테이션(station)의 개수, 로봇의 개수, 각각의 로봇이 포함하는 관절의 개수, 작업이 필요한 작업 지점의 개수 등을 고려하고, ⓑ과정은 ⓐ과정을 통해 분배된 작업 지점들과 로봇들 간의 상호 작용(예컨대, 충돌 등)을 모두 고려해야 하기 때문에 기하급수적으로 필요한 연산량이 늘어나기 때문이다.
반면, ⓐ 및 ⓑ 과정을 수행하기 전에 본 개시의 일 실시예에 따른 방법을 미리 사용한다면, 추후 ⓐ 및 ⓑ 과정 모두에서 고려해야할 탐색 공간이 효과적으로 축소될 수 있어서, 연산 자원을 현저하게 절약할 수 있으며, (NP 하드 문제에 해당하는) ⓐ 및 ⓑ과정을 "실현 가능한 시간 안에 최적화가 가능한 문제"로 전환시킬 수 있다.
예를 들어, 본 개시는 로봇마다 작업 지점을 분배하기 앞서서, 각 로봇들이 작업하였을 때, 효율이 대단히 떨어지거나, 작업이 불가능한 작업 지점을 제외한 "유효 작업 지점"을 생성할 수 있으며, 각각의 로봇의 유효 작업 지점들을 고려하여 "작업 지점 분배(로봇들 사이의 작업 지점 분배)를 위한 탐색 공간"을 효율적으로 축소시킬 수 있다. 효과적인 측면에서, 이후의 단계(예컨대, ⓐ 및 ⓑ 과정)에서 고려해야할 탐색 공간(searching space)이 줄어짐으로써, 프로그램을 생성하기위해 필요한 연산량이 감소시킬 수 있다. 예컨대, 랜덤 트리모델(random tree model), 유전자 모델(GA model), 강화학습을 수행하는 신경망 모델 등에 기초하여, 이후의 단계(예컨대, ⓐ 및 ⓑ 과정)들을 구현할 때, 랜덤 트리모델, 유전자 모델, 신경망 모델 등의 연산량을 현저하게 감소시킬 수 있다. 그러나, 이는 본 개시가 적용될 수 있는 다양한 상황 중 하나를 예시로 든 것으로 이에 한정되지는 않는다.
이제부터, 도 3의 S300 단계 내지 S320 단계를 참조하여, 본 개시의 일 실시예에 따라, 로봇의 유효 작업 지점(valid working spot)을 결정하기 위한 방법에 관한 개괄적인 프로세스가 설명된다.
먼저, 도 3를 참조하여 본 발명의 일 실시예에 따른 방법을 개괄적으로 설명하자면, 상기 방법은, 프로세서(110)가 "작업 지점을 식별하는 단계"(S300 단계), " 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세(pose)를 취할 수 있는지 여부를 결정하는 단계"(S310 단계), "상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 단계"(S320 단계) 및 "상기 로봇의 유효 작업 지점에 기초하여, 작업 지점 분배를 위한 탐색 공간(search space)을 생성하는 단계"(S330 단계)를 포함할 수 있다.
각 단계를 세부적으로 설명하기 앞서, 상기 S300 내지 S330 단계를 비롯한 본 개시의 전반에 걸쳐 '로봇'은 표현의 편의를 위해 단수개로 이해될 수 있는 표현들이 종종 사용되나, 그럼에도 불구하고, 로봇은 단일 개체가 아닌 복수개의 로봇들, 또는 동일하지 않은 종류의 로봇이 포함된 복수개의 로봇들을 포괄하는 개념으로 이해될 수 있다. 예컨대, S300 단계를 참조하면, 프로세서(110)가 로봇의 자세를 분석하는 것에 기초하여, 상기 로봇에 대한 유효 작업 지점들을 식별한다고 개시되어 있으나, 상기 로봇은 단일 개체로 한정되지 않고, 복수개의 로봇들의 각각을 의미할 수도 있다. 즉, 복수개의 로봇들의 각각의 자세를 분석하는 것에 기초하여, 상기 복수개의 로봇들 각각에 대한 유효 작업 지점들을 식별한다고 이해될 수도 있다.
또한, 본 개시의 전반에 걸쳐 '스테이션'은, 하나 이상의 로봇을 포함하는 중간 레벨의 공정 단위이며, 다양한 기준(위치 기준, 작업 유형 기준 등)으로 생성될 수 있다. 예를 들어, 공장에서 특정 위치에 군집해 있는 로봇들이 하나의 스테이션을 형성하거나, 동일한 타입의 작업을 수행하는 로봇들이 모여 하나의 스테이션을 형성할 수 있다. 다시 말해, 전체 로봇 공정은, 복수의 스테이션들로 구분될 수 있으며, 상기 복수의 스테이션들 각각은 하나 이상의 로봇을 포함할 수 있다.
이제부터, S300 단계 내지 S330 단계 각각에 대한 일 실시예들이 개시된다.
먼저, 상기 S300 단계는, "작업 지점을 식별하는 단계"로, 상기 작업 지점은 일반적으로 로봇이 도달하여 작업을 수행해야 하는 작업 대상의 어느 지점을 의미할 수 있다. 이때, 상기 작업은 조립, 이동, 커팅(cutting), 채결, 본딩(bonding), 타공, 샌딩(sanding), 도색, 열처리, 용접 등 로봇이 수행할 수 있는 동작들이 포함될 수 있다.
상기 S300에 대한 일 실시예로, 프로세서(110)는 상기 작업 지점의 위치 정보를 식별하는 단계(S300-1), 및 상기 작업 지점의 작업 방향 정보를 식별하는 단계(S300-2)를 수행할 수 있다. 예를 들어, 프로세서(110)는, 작업 지점의 구체적인 위치(예컨대, 용접을 해야 할 위치)를 나타내는 위치 정보를 식별할 수 있고, 상기 작업 지점에서 작업이 수행되어야 하는 방향을 나타내는 작업 방향 정보(예컨대, 작업 지점에서 용접해야 할 각도)를 식별할 수 있다. 일 실시예에서, 프로세서(110)는, "해당 로봇이 상기 작업 지점의 위치에 도달할 수 있는지 여부" 또는 "해당 로봇이 작업 가능한 방향 정보에 맞게 작업을 할 수 있는지 여부"를 기초로 "해당 로봇의 유효 작업 지점"을 결정할 수 있다. 예컨대, 로봇이 상기 작업 지점의 위치에 도달할 수 없거나, 작업 가능한 방향 정보에 맞게 작업을 할 수 없다면, 상기 로봇의 유효 작업 지점에서 제외할 수 있다. 물론, 상기 로봇이 상기 작업 지점의 위치에 도달할 수 없다면 작업 가능한 방향 정보에 맞게 작업하는 것이 불가능한 건 자명하다.
S300 단계에 이어서 프로세서(110)가 수행할 수 있는 상기 S310 단계는 "상기 로봇이 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는지 여부를 결정하는 단계"이다. 이러한 S310 단계는, 각 로봇들이 작업하였을 때, 효율이 대단히 떨어지거나, 작업이 불가능한 작업 지점을 제외하고, 제외된 작업 지점들에 기초하여 유효 작업 지점이 생성되도록 하는 데에 목적이 있다.
일 실시예에서, "상기 로봇이 특정 작업 지점을 작업하기 위한 적어도 하나의 자세"는, "역 운동학 알고리즘에 의해 유효한 자세"일 수 있다. 예를 들어, 프로세서(110)는, IK(Inverse Kinematics) 분석에 기초하여, 특정 로봇이 자신의 작업 부위를 특정 작업 지점의 위치로 이동시킬 수 있다고 판단한 경우에, "상기 특정 로봇이 상기 특정 작업 지점을 작성하기 위한 적어도 하나의 자세를 취할 수 있다"고 결정할 수 있다. 또한, 프로세서(110)는, IK(Inverse Kinematics) 분석에 기초하여, 특정 로봇이 자신의 작업 부위를 특정 작업 지점의 위치로 이동시킬 수 있고, 동시에 상기 특징 로봇이 상기 특정 작업 지점의 작업 방향 정보에 부합하는 동작을 취할 수 있다고 판단한 경우에, "상기 특정 로봇이 상기 특정 작업 지점을 작성하기 위한 적어도 하나의 자세를 취할 수 있다"고 결정할 수 있다.
대안적으로, "상기 로봇이 특정 작업 지점을 작업하기 위한 적어도 하나의 자세"는, "역 운동학 알고리즘에 의해 유효하고, 동시에 작업 과정에서 충돌의 위험성이 없는 자세"로 제한될 수도 있다. 이와 관련된 일 실시예로, S310 단계는, "프로세서(110)가 상기 로봇이 상기 로봇의 작업 부위를 상기 작업 지점에 위치시킬 수 있는 자세를 식별하는 단계(S310-1)", "프로세서(110)가 상기 식별된 자세가 충돌을 발생시키는지 여부를 확인하는 단계(S310-2)", "상기 식별된 자세가 충돌을 발생시키는 경우, 프로세서(110)가 상기 식별된 자세에 기초하여 새로운 자세를 탐색하는 단계(S310-3)"를 포함할 수 있다. 예를 들어, 프로세서(110)는, 상기 특정 작업 지점의 위치 정보(예컨대, 3D Cartesian 좌표) 및 작업 방향 정보를 고려하여, 상기 로봇이 "역 운동학 알고리즘에 의해 유효하고, 동시에 작업 과정에서 충돌의 위험성이 없는 자세"를 취할 수 있는지 여부를 판단할 수 있으며, 상기 로봇이 이러한 자세를 취할 수 있는 경우에만, 추후 단계에서 상기 특정 작업 지점을 유효 작업 지점으로 결정할 수 있다.
부가적인 일 실시예로, 상기 식별된 자세가 충돌을 발생시키는 경우, 상기 식별된 자세에 기초하여 새로운 자세를 탐색하는 단계(S310-3)는, ① "프로세서(110)가 상기 로봇의 작업 부위를 상기 로봇의 특정 축(axis) 방향을 중심으로 회전시키면서 IK(Inverse Kinematics) 연산을 수행하는 단계" ② "프로세서(110)가 상기 로봇의 작업 부위를 상기 로봇의 특정 축 방향으로 병진 운동을 시키면서 IK(Inverse Kinematics) 연산을 수행하는 단계" 또는 ③ "프로세서(110)가 상기 로봇의 작업 부위의 작업 방향을 변화시키면서 IK(Inverse Kinematics) 연산을 수행하는 단계" 중 적어도 하나를 포함하여 수행할 수 있다. 예를 들어, 프로세서(110)는, 상기 로봇의 특정 자세가 IK 연산에 의해 유효하지만 충돌을 유발할 가능성이 있는 경우, 상기 특정 자세에서 변경 동작(즉, ①, ②, 및 ③ 단계 중 적어도 하나)을 수행하여 추가적인 자세들을 탐색할 수 있다. 이때, ①, ②, 및 ③ 단계의 예시로, ① 단계는 상기 특정 자세에서 상기 로봇(또는 상기 로봇의 부분 구조)의 특정 지역 축(예컨대, z축) 방향을 중심으로 회전하는 변경 동작을 수행하고, 역 운동학 연산을 수행하여, 추가적인 자세들을 탐색할 수 있다. ② 단계는, 상기 특정 자세에서 상기 로봇(또는 상기 로봇의 부분 구조)를 상기 특정 지역 축(예컨대, z축) 방향으로 병진(translation) 운동시키는 변경 동작을 수행하고, 역 운동학 연산을 수행하여, 추가적인 자세들을 탐색할 수 있다. 이 경우, 상기 병진 운동은, 0 내지 0.01m에서 0.01 단위의 오프셋(offset)으로 수행될 수 있다. 또한, ③ 단계는, 상기 특정 자세에서 상기 로봇(또는 상기 로봇의 부분 구조)의 작업 방향을 변경하는 변경 동작을 수행하고, 역 운동학 연산을 수행하여, 추가적인 자세들을 탐색할 수 있다. 한편, 이 경우, 상기 작업 방향의 변경은, 상기 특정 지역 축(예컨대, z축)을 기준으로 180도 반대 방향으로 뒤집는 변경일 수 있다.
상기 S310 단계에 이어서 프로세서(110)가 수행할 수 있는 S320 단계는, "상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 단계"이다. 이러한 S320 단계는, 각각의 로봇들이 작업하였을 때, 효율이 대단히 떨어지거나, 작업이 불가능한 작업 지점을 제외하고, 제외된 작업 지점들에 기초하여 유효 작업 지점이 생성되도록 하는 데에 목적이 있다. 효과적인 측면에서, 이러한 S300 단계에 의해, 이후의 단계에서 고려해야할 탐색 공간(searching space)이 축소될 수 있다. 구체적으로, 작업 지점 분배(로봇들 사이의 작업 지점 분배) 시에, 각각의 로봇에 대하여 전체 작업 지점들이 탐색되지 않고, 각각의 로봇에 고유하게 결정된 유효 작업 지점들만이 탐색되는 방식으로, 탐색 공간이 축소될 수 있다.
이러한 상기 320 단계는, "상기 적어도 하나의 자세에 기초하여, 상기 유효 작업 지점과 연관된 적어도 하나의 후보 작업 자세를 결정하는 단계"(S320-1 단계)를 포함할 수 있다. 즉, 프로세서(110)는, 상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, ① 상기 작업 지점을 "상기 로봇의 유효 작업 지점"으로 결정할 수 있으며, ② 동시에, 상기 적어도 하나의 자세를 "상기 유효 작업 지점과 연관된 상기 로봇의 적어도 하나의 후보 작업 자세"로 결정할 수 있다. 한편, 특정 유효 작업 지점에 대하여 특정 로봇이 다수의 후보 작업 자세를 갖는 경우, 작업 지점 개수의 관점에서는 탐색 공간이 축소되더라도, 하나의 작업 지점과 관련하여 다수의 후보 작업 자세들이 탐색되어야 하므로, 탐색 공간이 여전히 방대할 수 있다. 따라서, 본 개시의 일 실시예에 따르면, 프로세서(110)는, 특정 로봇의 특정 유효 작업 지점과 관련된 후보 작업 자세들의 개수를 제한하는 동작을 수행할 수 있다.
일 실시예에서, 프로세서(110)는, 최적의 후보 작업 자세들을 선별할 수 있는 미리 결정된 기준들을 활용하여, 각각의 유효 작업 지점에 대한 다수의 후보 작업 자세들을 평가할 수 있으며, 이러한 평가를 기초로 각각의 유효 작업 지점에 대하여 미리 결정된 숫자 이하의 후보 작업 자세를 결정할 수 있다. 구체적으로, "프로세서(110)는, ⓐ "작업 대상의 무게 중심까지의 거리 정보", ⓑ "작업 대상의 축(axis)과 상기 로봇의 축 사이의 각도 정보", 또는 ⓒ "상기 로봇의 무게 중심과 상기 작업 대상의 메쉬 정점(mesh vertex) 간의 거리 정보" 중 적어도 하나의 정보를 미리 결정된 기준으로 활용할 수 있으며, 이를 기초로 각각의 유효 작업 지점에 대하여 미리 결정된 숫자 이하의 후보 작업 자세를 결정할 수 있다. 예컨대, 도 4를 참조하면, ⓐ 정보를 사용하는 일 실시예에서, 프로세서(110)는, 로봇의 질량 중심(410)(또는 로봇의 부분 구조, 로봇이 사용하는 공구의 질량 중심)과 작업 대상의 질량 중심(401) 사이의 거리가 가능한 최대가 되도록 하는 후보 작업 자세들에 높은 우선 순위를 부여할 수 있다. 이러한 기준으로 최적의 후보 작업 자세들을 선별하는 경우, 선별된 후보 작업 자세가 비슷한 위치의 유효 작업 지점들에 모두 호환 가능할 수 있어서, 향후 로봇들에 타겟 작업 지점들을 분배하거나 로봇들의 경로를 최적화시키는 과정에서 도움이 될 수 있기 때문이다. 다음으로, 도 5를 참조하면, ⓑ 정보를 사용하는 일 실시예에서, 프로세서(110)는, "작업 대상(500)의 광역 축(global axis)과 로봇(510)의 지역 축(local axis) 사이의 각도 정보"를 활용할 수 있다. 구체적으로, 프로세서(110)는, "작업 대상(500)의 내부에서 외부로 향하는 설정된 광역 축(예컨대, 도5에 도시된 작업 대상(500)을 기준으로 한 x축 또는 y축)" 및 "로봇(510)의 특정 지역 축(예컨대, 도5에 도시된 로봇(510)의 x축 또는 로봇(510)의 y축)" 사이의 각도 정보를 기준으로 최적화된 후보 작업 자세들을 선별할 수 있다. 이러한 기준으로 최적의 후보 작업 자세들을 선별하는 경우, 작업 대상의 같은 측(side)에 존재하는 유효 작업 지점들에 대하여 유사한 후보 작업 자세들이 선별될 수 있어서, 향후 로봇들에 타겟 작업 지점들을 분배하거나 로봇들의 경로를 최적화시키는 과정에서 도움이 될 수 있기 때문이다. 다음으로, 도 6을 참조하면, ⓒ정보를 사용하는 일 실시예에서, 프로세서(110)는, "로봇(610)의 질량 중심(또는 로봇(610)의 작업 장비의 질량 중심)" 및 "작업 대상의 메쉬 정점(600)들 중 상기 로봇의 질량 중심과 가장 근접한 메쉬 정점" 사이의 거리를 가능한 최대화할 수 있는 후보 작업 자세들에 높은 우선 순위를 부여할 수 있다. 이러한 기준으로 최적의 후보 작업 자세들을 선별하는 경우, 안정성이 확보된 후보 작업 자세들이 선별될 수 있고, 충돌의 위험성을 감소될 수 있어서, 향후 로봇들에 타겟 작업 지점들을 분배하거나 로봇들의 경로를 최적화시키는 과정에서 도움이 될 수 있기 때문이다.
한편, 상기 S320 단계와 관련하여, 로봇이 작업 지점을 작업하기 위한 적어도 하나의 후보 자세를 가지더라도, 상기 작업 지점에 진입할 수 없는 경우가 발생될 수 있다. 이와 관련하여, 특정 작업 지점에 진입하지 못하는 로봇은 특정 작업 지점에 대한 작업이 불가능한 것이 자명하다. 따라서, 이러한 상황에 대한 추가적인 일 실시예로, 상기 S320 단계는, "프로세서(110)가 상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있지만 상기 로봇이 상기 작업 지점에 진입할 수 없다고 예측되는 경우, 상기 특정 작업 지점을 유효 작업 지점에서 제외하는 단계"(S320-2)를 포함할 수 있다. 예를 들어, 로봇의 진입 가능한 통로가 좁거나 진입 시에 충돌이 발생하여, 상기 로봇이 특정 작업 지점에 진입할 수 없다고 예측되는 경우, 상기 로봇이 상기 특정 작업을 작업하기 위한 자세를 취할 수 있다고 시뮬레이션 되더라도, 상기 특정 작업 지점을 상기 로봇의 유효 작업 지점 그룹에서 제외할 수 있다. 또한, 과도한 움직으로 인한 지연을 방지하기 위해 로봇이 움직일 수 있는 각도를 미리 한정 해놓는 경우, 로봇이 특정 작업 지점을 작업하기 위한 자세를 취할 수 있지만 제한된 각도 범위 내에서 상기 특징 작업 지점에 진입할 수 없다면, 이러한 특정 작업 지점도 상기 로봇의 유효 작업 지점 그룹에서 제외할 수 있다.
일 실시예에서, "상기 로봇이 상기 작업 지점에 진입할 수 있는지 여부에 대한 예측"은, 상기 로봇의 이동을 상기 로봇의 작업 부위의 이동으로 근사화(approximation)하는 것에 기초하여 수행될 수 있다. 예컨대, 이러한 방식은, 로봇 전체의 구조를 그대로 활용하는 방식과 비교하여 훨씬 적은 연산량만이 필요하기 때문에 연산 효율의 측면에서 유용하게 사용될 수 있다. 일 실시예에서, 상기 로봇의 부분 구조는, 도 7의 700과 같은 로봇에 장착될 수 있는 공구 중 하나인 용접건(700)을 포함할 수 있다. 이때, 상기 용접건(700)은 예시일 뿐 공구가 용접건에만 한정되지는 않는다. 효과적인 측면에서, "복수개의 관절을 포함하는 로봇의 전체를 이용하여 상기 로봇의 진입 가능 여부를 예측하는 것"과 "용접기와 같은 로봇의 부분 구조를 기초로 근사화를 수행하여 로봇의 진입 가능 여부를 예측하는 것"을 비교하면, 후자의 경우 필요한 연산량을 현저하게 감소시킬 수 있다. 또한, "로봇의 근사화된 부분 구조가 진입할 수 없는 경우"는, 당연히 "로봇의 (더 복잡한) 실제 구조도 진입할 수 없는 경우"에 해당하므로, 이와 같은 근사화를 이용하더라도 "로봇의 진입이 불가능한 경우"가 정확하게 예측될 수 있으며, 이를 기반으로 탐색 공간의 축소가 정확하게 수행될 수 있다.
상기 S320 단계에 이어서 프로세서(110)가 수행할 수 있는 S330 단계는, " 상기 로봇의 유효 작업 지점에 기초하여, 작업 지점 분배를 위한 탐색 공간(search space)을 생성하는 단계"이다. 이러한 상기 S320 단계는, 앞선 단계에서 생성된 각각의 로봇의 유효 작업 지점 및 후보 작업 자세를 기초로, 로봇 공정의 프로그래밍에서 사용될 최적화된 탐색 공간을 생성하는 것을 목적으로 한다.
일 실시예에서, 프로세서(110)는, 상기 S330 단계와 관련하여, "상기 로봇의 유효 작업 지점 및 상기 적어도 하나의 후보 작업 자세에 기초하여, 작업 지점 분배를 위한 탐색 공간을 생성하는 동작"을 수행할 수 있다. 또한, 이러한 동작과 관련하여, 프로세서(110)는, " 전체 작업 지점들 중 상기 로봇의 유효 작업 지점이 아닌 작업 지점들을 상기 로봇과 연관된 탐색 공간에서 제외하는 단계(S330-1)" 및 "상기 적어도 하나의 후보 작업 자세를 미리 결정된 숫자 이하로 제한하는 단계(S330-2)"를 수행할 수 있다. 이해를 돕기 위한 예로써, 프로세서(110)는, 각각의 '로봇(r)'이 '특정 작업 지점(s)'에서 작업을 수행하기 위한 '자세(p)'를 취할 수 있는지 여부를 기초로, 각각의 로봇의 유효 작업 지점을 식별할 수 있다. 또한, 프로세서(110)는, 각각의 로봇의 유효 작업 지점과 관련하여, "로봇 식별 정보-유효 작업 지점 정보-후보 자세 정보"인 [r, s, p]를 생성할 수 있다. 일 실시예에서, r은 특정 로봇의 식별 정보(예컨대, 10번째 로봇)에 대응되고, s는 상기 특정 로봇의 유효 작업 지점들 중 하나의 유효 작업 지점(예컨대, 130번째 작업 지점)의 식별 정보에 대응되고, p는 상기 하나의 유효 작업 지점과 연관된 하나 이상의 후보 자세 정보(예를 들어, 130번째 작업 지점과 관련하여 10번째 로봇이 취할 수 있는 하나 이상의 자세인 A 자세, B자세, 및 C자세 정보)에 대응될 수 있다. 한편, 이 경우, 상기 하나 이상의 후보 자세 정보는, 미리 결정된 숫자 이하만 포함되도록 제한될 수 있다. 예를 들어, 특정 로봇(예컨대, 10번째 로봇)이 상기 특정 로봇의 유효 작업 지점들 중 하나의 유효 작업 지점(예컨대, 130번째 작업 지점)에서 10가지 후보 자세(예컨대, A자세 ~ J자세)로 작업이 가능한 경우에도, 10가지 후보 자세들 중 3가지의 최적의 후보 자세들을 선별하여, 3가지의 선별된 후보 자세들만 탐색 공간에 포함되도록 할 수 있다. 일 실시예에서, 프로세서(110)는, 위에서 살펴보았듯이, 최적의 후보 작업 자세들을 선별할 수 있는 미리 결정된 기준들을 활용하여, 각각의 유효 작업 지점에 대한 다수의 후보 작업 자세들을 평가할 수 있으며, 이러한 평가를 기초로 각각의 유효 작업 지점에 대하여 미리 결정된 숫자 이하의 후보 작업 자세(예컨대, 3가지의 후보 작업 자세)를 선별할 수 있다. 구체적으로, 프로세서(110)는, 위에서 살펴보았듯이, ⓐ "작업 대상의 무게 중심까지의 거리 정보", ⓑ "작업 대상의 축(axis)과 상기 로봇의 축 사이의 각도 정보", 또는 ⓒ "상기 로봇의 무게 중심과 상기 작업 대상의 메쉬 정점(mesh vertex) 간의 거리 정보" 중 적어도 하나의 정보를 미리 결정된 기준으로 활용할 수 있으며, 이를 기초로 각각의 유효 작업 지점에 대하여 미리 결정된 숫자 이하의 후보 작업 자세를 선별할 수 있다. 효과적인 측면에서 상기 실시예는, 후보 작업 자세의 숫자를 미리 조절할 수 있으므로, 프로세서(110)가 가용 가능한 연산량이 한정적인 경우, 발생될 수 있는 연산량을 미리 제한할 수 있는 효과를 얻을 수 있다.
한편, 이상에서 살핀 실시예들에 포함되는 동작들은 신경망 모델을 활용하는 연산에 기초하여 구현될 수 있다. 예를 들어, 위에서 살펴본, 유효 작업 지점의 결정, 후보 작업 자세의 결정, 최적의 후보 작업 자세의 선별, 로봇의 이동 경로 분석, 탐색 공간의 생성 등은, 신경망 모델에 기초하여 수행될 수 있다. 또한, 전체 공정의 로봇들 사이에서 작업 지점들을 분배하는 동작, 각각의 로봇의 이동 경로 또는 이동 순서를 결정하는 동작 등도 강화학습 기반의 신경망 모델에 의해 구현될 수 있다.
도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 통상의 기술자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 통상의 기술자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 통상의 기술자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어,(편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (12)
- 컴퓨팅 장치에 의해 수행되는, 로봇의 유효 작업 지점(valid working spot)을 결정하기 위한 방법으로서,
작업 지점을 식별하는 단계;
로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세(pose)를 취할 수 있는지 여부를 결정하는 단계;
상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 단계; 및
상기 로봇의 유효 작업 지점에 기초하여, 작업 지점 분배를 위한 탐색 공간(search space)을 생성하는 단계
를 포함하고,
상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 단계는,
상기 적어도 하나의 자세에 기초하여, 상기 유효 작업 지점과 연관된 적어도 하나의 후보 작업 자세를 결정하는 단계; 및
미리 결정된 기준들을 활용하여 상기 유효 작업 지점과 연관된 적어도 하나의 후보 작업 자세를 평가하고, 상기 평가 결과에 기초하여 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 단계를 포함하고,
상기 미리 결정된 기준들을 활용하여 상기 유효 작업 지점과 연관된 적어도 하나의 후보 작업 자세를 평가하고, 상기 평가 결과에 기초하여 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 단계는,
작업 대상의 무게 중심까지의 거리 정보;
작업 대상의 축(axis)과 상기 로봇의 축 사이의 각도 정보; 또는
상기 로봇의 무게 중심과 상기 작업 대상의 메쉬 정점(mesh vertex) 간의 거리 정보;
중 적어도 하나의 정보를 활용하여, 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 단계를 포함하는,
방법.
- 제 1 항에 있어서,
상기 작업 지점을 식별하는 단계는,
상기 작업 지점의 위치 정보를 식별하는 단계; 및
상기 작업 지점의 작업 방향 정보를 식별하는 단계
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는지 여부를 결정하는 단계는,
상기 로봇이 상기 로봇의 작업 부위를 상기 작업 지점에 위치시킬 수 있는 자세를 식별하는 단계;
상기 식별된 자세가 충돌을 발생시키는지 여부를 확인하는 단계; 및
상기 식별된 자세가 충돌을 발생시키는 경우, 상기 식별된 자세에 기초하여 새로운 자세를 탐색하는 단계
를 포함하는,
방법.
- 제 3 항에 있어서,
상기 식별된 자세에 기초하여 새로운 자세를 탐색하는 단계는,
상기 로봇의 작업 부위를 상기 로봇의 특정 축(axis) 방향을 중심으로 회전시키면서 IK(Inverse Kinematics) 연산을 수행하는 단계;
상기 로봇의 작업 부위를 상기 로봇의 특정 축 방향으로 병진 운동을 시키면서 IK(Inverse Kinematics) 연산을 수행하는 단계; 또는
상기 로봇의 작업 부위의 작업 방향을 변화시키면서 IK(Inverse Kinematics) 연산을 수행하는 단계
중 적어도 하나를 포함하는,
방법.
- 삭제
- 삭제
- 제 1 항에 있어서,
상기 작업 지점 분배를 위한 탐색 공간을 생성하는 단계는,
상기 로봇의 유효 작업 지점 및 상기 적어도 하나의 후보 작업 자세에 기초하여, 작업 지점 분배를 위한 탐색 공간을 생성하는 단계
를 포함하는,
방법.
- 제 7 항에 있어서,
상기 로봇의 유효 작업 지점 및 상기 적어도 하나의 후보 작업 자세에 기초하여, 작업 지점 분배를 위한 탐색 공간을 생성하는 단계는,
전체 작업 지점들 중 상기 로봇의 유효 작업 지점이 아닌 작업 지점들을 상기 로봇과 연관된 탐색 공간에서 제외하는 단계; 및
상기 적어도 하나의 후보 작업 자세를 미리 결정된 숫자 이하로 제한하는 단계
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 단계는,
상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있지만 상기 로봇이 상기 작업 지점에 진입할 수 없다고 예측되는 경우, 예측된 특정 작업 지점을 유효 작업 지점에서 제외하는 단계
를 포함하는,
방법.
- 제 9 항에 있어서,
상기 로봇이 상기 작업 지점에 진입할 수 있는지 여부에 대한 예측은,
상기 로봇의 이동을 상기 로봇의 작업 부위의 이동으로 근사화(approximation)하는 것에 기초하여 수행되는,
방법.
- 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 프로그램은 적어도 하나의 프로세서로 하여금 로봇의 유효 작업 지점(valid working spot)을 결정하기 위한 동작들을 수행하게 하고, 상기 동작들은:
작업 지점을 식별하는 동작;
로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세(pose)를 취할 수 있는지 여부를 결정하는 동작;
상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 동작; 및
상기 로봇의 유효 작업 지점에 기초하여, 작업 지점 분배를 위한 탐색 공간(search space)을 생성하는 동작
을 포함하고,
상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 동작은,
상기 적어도 하나의 자세에 기초하여, 상기 유효 작업 지점과 연관된 적어도 하나의 후보 작업 자세를 결정하는 동작; 및
미리 결정된 기준들을 활용하여 상기 유효 작업 지점과 연관된 적어도 하나의 후보 작업 자세를 평가하고, 상기 평가 결과에 기초하여 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 동작을 포함하고,
상기 미리 결정된 기준들을 활용하여 상기 유효 작업 지점과 연관된 적어도 하나의 후보 작업 자세를 평가하고, 상기 평가 결과에 기초하여 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 동작은,
작업 대상의 무게 중심까지의 거리 정보;
작업 대상의 축(axis)과 상기 로봇의 축 사이의 각도 정보; 또는
상기 로봇의 무게 중심과 상기 작업 대상의 메쉬 정점(mesh vertex) 간의 거리 정보;
중 적어도 하나의 정보를 활용하여, 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 동작을 포함하는,
컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
- 컴퓨팅 장치로서,
적어도 하나의 프로세서; 및
메모리
를 포함하고,
상기 적어도 하나의 프로세서는,
작업 지점을 식별하고;
로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세(pose)를 취할 수 있는지 여부를 결정하고;
상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하고; 그리고
상기 로봇의 유효 작업 지점에 기초하여, 작업 지점 분배를 위한 탐색 공간(search space)을 생성하도록 구성되고,
상기 로봇이 상기 작업 지점을 작업하기 위한 적어도 하나의 자세를 취할 수 있는 경우, 상기 작업 지점을 상기 로봇의 유효 작업 지점으로 결정하는 과정은,
상기 적어도 하나의 자세에 기초하여, 상기 유효 작업 지점과 연관된 적어도 하나의 후보 작업 자세를 결정하고; 그리고
미리 결정된 기준들을 활용하여 상기 유효 작업 지점과 연관된 적어도 하나의 후보 작업 자세를 평가하고, 상기 평가 결과에 기초하여 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 과정을 포함하고,
상기 미리 결정된 기준들을 활용하여 상기 유효 작업 지점과 연관된 적어도 하나의 후보 작업 자세를 평가하고, 상기 평가 결과에 기초하여 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 과정은,
작업 대상의 무게 중심까지의 거리 정보;
작업 대상의 축(axis)과 상기 로봇의 축 사이의 각도 정보; 또는
상기 로봇의 무게 중심과 상기 작업 대상의 메쉬 정점(mesh vertex) 간의 거리 정보;
중 적어도 하나의 정보를 활용하여, 미리 결정된 숫자 이하의 후보 작업 자세를 결정하는 과정을 포함하는,
컴퓨팅 장치.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230011389A KR102626109B1 (ko) | 2023-01-30 | 2023-01-30 | 로봇의 유효 작업 지점을 결정하기 위한 방법 |
US18/426,894 US20240253227A1 (en) | 2023-01-30 | 2024-01-30 | Method For Deciding Valid Working Spot In Robotic Process |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230011389A KR102626109B1 (ko) | 2023-01-30 | 2023-01-30 | 로봇의 유효 작업 지점을 결정하기 위한 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR102626109B1 true KR102626109B1 (ko) | 2024-01-17 |
KR102626109B9 KR102626109B9 (ko) | 2024-09-04 |
Family
ID=89713368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230011389A KR102626109B1 (ko) | 2023-01-30 | 2023-01-30 | 로봇의 유효 작업 지점을 결정하기 위한 방법 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240253227A1 (ko) |
KR (1) | KR102626109B1 (ko) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000141177A (ja) * | 1998-11-04 | 2000-05-23 | Honda Motor Co Ltd | 生産ラインの作業配分シミュレーション方法 |
KR20140002226A (ko) * | 2012-06-28 | 2014-01-08 | 한국과학기술연구원 | 공간 점유 정보를 이용한 로봇 동작 생성 장치 및 방법 |
JP2022076814A (ja) * | 2020-11-10 | 2022-05-20 | 株式会社安川電機 | プログラム生成システム、ロボットシステム、プログラム生成方法、および生成プログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7262373B2 (ja) * | 2019-11-19 | 2023-04-21 | 株式会社日立製作所 | 軌道計画生成装置、軌道計画生成方法、および軌道計画生成プログラム |
JP7400644B2 (ja) * | 2020-07-02 | 2023-12-19 | 株式会社デンソー | 動作経路生成装置、動作経路生成方法および動作経路生成プログラム |
CN114083535B (zh) * | 2021-11-18 | 2023-06-13 | 清华大学 | 一种机器手抓取姿势质量的物理度量方法及装置 |
-
2023
- 2023-01-30 KR KR1020230011389A patent/KR102626109B1/ko active IP Right Grant
-
2024
- 2024-01-30 US US18/426,894 patent/US20240253227A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000141177A (ja) * | 1998-11-04 | 2000-05-23 | Honda Motor Co Ltd | 生産ラインの作業配分シミュレーション方法 |
KR20140002226A (ko) * | 2012-06-28 | 2014-01-08 | 한국과학기술연구원 | 공간 점유 정보를 이용한 로봇 동작 생성 장치 및 방법 |
JP2022076814A (ja) * | 2020-11-10 | 2022-05-20 | 株式会社安川電機 | プログラム生成システム、ロボットシステム、プログラム生成方法、および生成プログラム |
Also Published As
Publication number | Publication date |
---|---|
US20240253227A1 (en) | 2024-08-01 |
KR102626109B9 (ko) | 2024-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102295805B1 (ko) | 학습 데이터 관리 방법 | |
KR20230065970A (ko) | 모델의 성능 테스트를 위한 컴퓨터 프로그램 | |
CN112771554A (zh) | 编程中的预测变量 | |
US20240253228A1 (en) | Method of generating program for robotic process | |
US20240256877A1 (en) | Method for distributing work points to a plurality of task-performing robots | |
Cai et al. | Safe reinforcement learning under temporal logic with reward design and quantum action selection | |
KR102626109B1 (ko) | 로봇의 유효 작업 지점을 결정하기 위한 방법 | |
KR102364881B1 (ko) | 전문가 모사 모델 학습 방법 및 그 학습을 위한 장치 | |
KR20240123212A (ko) | 꺾임 기반의 구조 업데이트를 활용하여 단백질의 구조를 예측하는 방법 | |
KR20210050413A (ko) | 비정상 데이터 생성 방법 | |
KR102638245B1 (ko) | 작업 수행 로봇의 작업 경로의 길이를 계산하는 방법 | |
US20240253226A1 (en) | Method for calculating the length of work trajectory of a task-performing robot | |
KR102292703B1 (ko) | 피처 셋 정보에 기초한 전이 학습 방법 | |
KR102392383B1 (ko) | 동영상 데이터 전송 방법 및 장치 | |
US20220245508A1 (en) | Active learning using causal network feedback | |
Horváth | New design objective and human intent based management of changes for product modeling | |
US12049013B1 (en) | Method for preventing collision between task-performing robots | |
KR102573870B1 (ko) | 복수의 작업 수행 로봇들 간 충돌을 방지하기 위한 방법 | |
US20240253230A1 (en) | Method For Generating Trajectory Of Industrial Robot | |
Zhu et al. | Decomposing Synthesized Strategies for Reactive Multi-agent Reinforcement Learning | |
Zhang et al. | Digital Twin enhanced reinforcement learning for integrated scheduling in automated container terminals | |
KR102440629B1 (ko) | 반도체 설계를 위한 신경망 모델 학습 방법 | |
US20230267336A1 (en) | Method For Training A Neural Network Model For Semiconductor Design | |
Castro et al. | Training multilayer perceptrons with a Gaussian artificial immune system | |
KR102671874B1 (ko) | 최적 제어 수행 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AMND | Amendment | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |