KR20220079854A - 신경망의 매개변수 학습하기 위한, 외골격의 궤적 생성하기 위한 및 외골격이 운동하도록 설정하기 위한 방법 - Google Patents

신경망의 매개변수 학습하기 위한, 외골격의 궤적 생성하기 위한 및 외골격이 운동하도록 설정하기 위한 방법 Download PDF

Info

Publication number
KR20220079854A
KR20220079854A KR1020227012005A KR20227012005A KR20220079854A KR 20220079854 A KR20220079854 A KR 20220079854A KR 1020227012005 A KR1020227012005 A KR 1020227012005A KR 20227012005 A KR20227012005 A KR 20227012005A KR 20220079854 A KR20220079854 A KR 20220079854A
Authority
KR
South Korea
Prior art keywords
trajectory
exoskeleton
periodic
neural network
generating
Prior art date
Application number
KR1020227012005A
Other languages
English (en)
Inventor
알렉시스 뒤뷔르크
얀 셰발레이르
길렘 뵈리스
Original Assignee
완더크래프트
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 완더크래프트 filed Critical 완더크래프트
Publication of KR20220079854A publication Critical patent/KR20220079854A/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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H3/00—Appliances for aiding patients or disabled persons to walk about
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/0006—Exoskeletons, i.e. resembling a human figure
    • 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
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D57/00—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track
    • B62D57/02—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track with ground-engaging propulsion means, e.g. walking members
    • B62D57/032—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track with ground-engaging propulsion means, e.g. walking members with alternately or sequentially lifted supporting base and legs; with alternately or sequentially lifted feet or skid
    • G06N3/0445—
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0481—
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H3/00—Appliances for aiding patients or disabled persons to walk about
    • A61H2003/007—Appliances for aiding patients or disabled persons to walk about secured to the patient, e.g. with belts
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
    • A61H2201/16—Physical interface with patient
    • A61H2201/1602—Physical interface with patient kind of interface, e.g. head rest, knee support or lumbar support
    • A61H2201/164—Feet or leg, e.g. pedal
    • A61H2201/1642—Holding means therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
    • A61H2201/16—Physical interface with patient
    • A61H2201/1602—Physical interface with patient kind of interface, e.g. head rest, knee support or lumbar support
    • A61H2201/165—Wearable interfaces
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
    • A61H2201/50—Control means thereof
    • A61H2201/5007—Control means thereof computer controlled
    • A61H2201/501—Control means thereof computer controlled connected to external computer devices or networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H2205/00—Devices for specific parts of the body
    • A61H2205/10—Leg
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Transportation (AREA)
  • Rehabilitation Therapy (AREA)
  • Pain & Pain Management (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Epidemiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Manipulator (AREA)
  • Rehabilitation Tools (AREA)
  • Prostheses (AREA)

Abstract

본 발명은 제 1 서버(10a)의 데이터 처리 수단(11a)에 의해 외골격(1)의 궤적을 생성하기 위한 신경망의 매개변수를 학습하는 방법에 관한 것으로, 상기 방법은 (a) 상기 외골격(1)의 가능한 걷기의 세트에 대해 주기 궤적을 학습하기 위한 제 1 데이터베이스에 따라, n-튜플의 걷기 매개변수에 의해 정의된 상기 외골격(1)의 주어진 걷기에 대해 각각 상기 외골격(1)의 주기적인 기본 궤적을 생성하기에 적합한 제 1 신경망의 매개변수를 학습하는 단계; 및 (b) 상기 외골격(1)의 가능한 걷기의 세트에 대해 주기적인 기본 궤적 및 전환의 제 2 학습 데이터베이스에 따라, 제 1 신경망으로부터의 매개변수를 사용하여, 상기 외골격의 주기적인 기본 궤적(1)을 생성하는 데 적합한 제 2 신경망의 매개변수 및 상기 외골격(1)의 하나의 주기적인 기본 궤적(1)에서 상기 외골격(1)의 또 다른 주기적인 기본 궤적으로의 전환을 학습하는 단계를 포함한다.

Description

신경망의 매개변수 학습하기 위한, 외골격의 궤적 생성하기 위한 및 외골격이 운동하도록 설정하기 위한 방법
본 발명은 외골격형 로봇 분야에 관한 것이다.
보다 정확하게는, 신경망의 매개변수를 학습하고, 신경망을 사용하여 외골격의 궤적을 생성하고, 외골격이 운동하도록 설정하기 위한 방법에 관한 것이다.
최근, 양측 하지 마비 환자와 같은 상당한 이동 문제가 있는 사람들을 위해, 외골격이라는 보조 걷기(walking) 디바이스가 등장하였으며, 이 보조 걷기 디바이스는 외골격의 움직임을 그의 자체 움직임과 링크하는 패스너 시스템 덕분에 작업자(인간 사용자)가 "착용(put on)"하는 외부 로봇 디바이스이다. 하지의 외골격에는 걷는 움직임을 재현하기 위해 일반적으로 적어도 무릎과 엉덩이에 여러 개의 관절이 있다. 액츄에이터는 이러한 관절을 움직이는 것을 가능하게 하며, 이는 차례로 작업자를 움직인다. 인터페이스 시스템을 통해 작업자는 외골격에 오더를 내릴 수 있으며 제어 시스템은 이러한 오더를 액추에이터(actuator)에 대한 명령으로 변환한다. 디바이스는 일반적으로 센서로 보완된다.
이 외골격은 작업자가 일어서고 걸을 수 있기 때문에 휠체어와 관련하여 진보를 구성한다. 외골격은 더 이상 휠로 제한되지 않으며 이론적으로 평평하지 않은 대부분의 환경에서 이동할 수 있다: 휠은, 다리와 달리, 스텝(step), 계단(staircase), 지나치게 높은 높이의 장애물 등과 같은 실질적인 장애물을 건너는 것을 가능하게 하지 않는다.
그러나, 사용 시, 이러한 외골격 중 어느 것도 자율적인 인간 걷기를 수행하지 않는다, 즉 다양한 지형에서 안정적이고 실행 가능하고 의인화되고 도움이 되지 않는다.
대부분의 경우, 이러한 한계는 디바이스가 자체적으로 균형이나 걷기 방향을 관리할 수 없다는 점에서 구체화된다. 이 두 가지 작업은 일반적으로 예를 들어 Rewalk의 특허 제 US7153242호 또는 Ekso-Bionics의 출원 제 US2016038371호에서 제안된 것처럼 목발 덕분에 작업을 수행하는 작업자에게 이전된다.
Rex-Bionics의 특허 제 EP2231096호는 자신의 안정성을 보장할 수 없는 사람을 위해 외부 도움 없이 사용할 수 있는 유일한 외골격을 설명한다. 단락 [0122]에 설명된 제어 원리는 지지 다각형의 일 부분(지면과의 접촉점의 볼록한 외피)의 압력의 중심(지면에 의해 시스템에 가해지는 반력의 결과에 해당하는 물리적 지점)을 지지 다각형의 다른 부분에 전달하기 위한 필요를 명확히 설명한다.
이 제한은 짧은 스텝(30cm 미만, 정상적인 보폭 범위는 50~80cm이지만)과 함께 극도로 느린 걷기(분당 몇 미터, 정상 걷기는 2km/h를 초과하지만)를 부과하며, 그 동안 지지하는 발은 지속적으로 지면과 평평하게 접촉한다. 따라서 고르지 않은 지형이 실제로 제외되기 때문에, 액세스할 수 있는 환경 유형이 제한된다. 마찬가지로, 작은 물체인 조약돌과 같은 가장 작은 장애물도 주어진 순간에 시스템에 발을 올려놓으면 시스템이 균형을 잃고 결국에는 넘어질 위험이 있다.
반대로, "자연스러운(natural)" 인간의 걷기는 발이 지면에서, 공중에서, 또는 지면에서 구르는 과정에서 평평할 수 있는 단계의 연속을 특징으로 한다. 발을 굴리는 능력은 더 큰 스텝을 내딛는 것을 가능하게 하고 다양한 지형에서 안정성을 허용하기 때문에 걷기에 필수적이다.
그러나 위에서 설명한 소위 1세대 외골격은 작동 발이 없거나 지지 발을 지면에 유지하지 않는다.
이러한 굴림(rolling)을 수행하는 것은 이족 걷기 인간형 로봇이나 로봇 디바이스에 대해 실제로 복잡하다. 압력 중심이 지지 다각형의 한계에 도달하면, 이 시스템이 이 지점을 중심으로 구르기 시작하므로 더 이상 정적 평형 상태가 아니다.
걷는 경우, 발의 구름은 지지하는 발에서 지면과의 접촉이 부분적으로 손실됨을 의미하며 다음과 같은 몇 가지 결과가 있다:
- 지지 다각형(지지 표면)이 잠재적으로 한 점으로 축소되어 지지 다각형 내부의 압력 중심을 유지하는 것이 어렵고 심지어 불가능하고,
- 시스템이 부족구동 상태에 있다. 즉, 더 이상 모든 자유도(degree of freedom)에서 작동할 수 없다. 그러면 모든 움직임이 더 이상 불가능하다.
이러한 상황에서, 문서 Kajita S., K. F.(2003), 제로 모멘트 점(Zero-Moment Point). ICRA(pp. 1620-1626)의 미리보기 제어를 사용하여 두발 동물 걷기 패턴 생성에 설명된 것과 같이 평발로 걷기의 기존 형식주의. 또는 특허 Rex-Bionics 제 EP2231096호에 설명된 원리는 더 이상 작동하지 않는다.
자연스러운 아이디어는 지지 다각형으로 돌아가 균형을 잡기 위하여 흔들리는 다리를 앞으로 가져오고 제 2 발을 지면에 놓고, 이 동안 시스템은 "떨어지는(falling) 과정에서 말하는 방식으로 지지 발 주위를 자유롭게 회전한다. 신체가 불안정한 자세의 연속을 거치지만 전환 단계에 불과하기 때문에 이것을 동적 걷기라고 한다(사람이 즉석에서 "멈추면(stopped)" 넘어질 수 있음).
동적 걷기의 이러한 접근 방식에서는, 흔들리는 다리를 적어도 간단히 균형을 다시 설정하는 위치로 빠르게 이동하는 것이 복잡하다. 실제로, 이 발이 미리 계산된 시간에 매개변수화된 궤적을 따르도록 만들어지면, 이 발은 약간의 교란을 받더라도 부족 구동된 시스템의 제어할 수 없는 동작으로 인해 너무 일찍 또는 너무 늦게 지면에 닿을 위험이 있다(계획된 궤적에서 약간 벗어난 궤적을 수정하는 것은 불가능하다). 이것은 작업자에게 불편함을 일으키고 작업자의 균형을 무너뜨리거나 단순한 지형을 포함하여 넘어지게 할 수도 있다.
이를 위해 모든 1세대 외골격(및 많은 휴머노이드 로봇(humanoid robot))은 결과적으로 걷기 속도, 스텝 길이, 허용 가능한 유형의 지형, 및 걷기의 일반적인 안정성에 대한 앞서 언급한 제한으로 지지하는 발을 평평하게 유지하여 이러한 유형의 상황을 피하려고 한다.
결과적으로 외골격에 대한 새로운 걷기 패러다임이 출원 제 WO2018130784호에서 제안되었으며, "가상 제약 조건(virtual constraints)"과 "하이브리드 제로 다이내믹스"(Hybrid Zero Dynamics; HZD)의 원리를 결합하여 빠르고 자연스러운 걷기를 가능하게 하며, 어렵고 예상치 못한 지형에서도 넘어지거나 불균형의 위험이 없다.
일반적으로 궤적, 즉 각 자유도에 따른 변화는 시간의 함수로 표현된다. 시스템의 "역학(dynamics)"은 아래 함수로 정의되고,
Figure pct00001
및 출발점
Figure pct00002
함수 f는
Figure pct00003
로 작성되고,
χ는 외골격(1)의 상태 공간이고, U는 제어 공간이고, t는 시간을 나타낸다.
HZD는 반대로 작동되지 않는 자유도의 역학이다. 이 역학은 명령이 0의 가치가 있는 것처럼 명령이 작동할 수 없거나 작동하기를 원하지 않는 정도에 해당하기 때문에 "0(Zero)"이라고 하며, 지면에 대한 발의 충격이 연속 단계를 교차하는 불연속적인 순간 단계를 부과하기 때문에 "하이브리드(Hybrid)"라고 한다.
소위 "가상 제약 조건(virtual constraints)" 방법에서, 원리는 작동 자유도의 선택에 대해 시간이 아닌 변경 매개변수에 의해 매개변수화된 궤적을 정의하는 것이지만 구성에 따라 직접 정의되며 이 매개변수를 위상 변수라고 한다. 이러한 위상 변수의 예는 위에서 언급한 작동되지 않는 자유도를 구성하는 뒤꿈치-엉덩이 축선과 수직 사이의 각도이다.
단계 변수를 사용하면 단계의 "진행(progress)"을 정의할 수 있다. 보다 정확하게는, 각각의 단계에서, 위상 변수는 초기 값을 다시 할당하기 전에 초기 값에서 최종 값으로 계속 전환한다: 이것이 다음 단계의 시작이다. 일을 더 쉽게 하기 위해, 위상 매개변수의 값을 0과 1 사이에서 정규화하는 것이 가능하다.
변경 매개변수의 각각의 값은 시스템이 따라야 하는 작동 자유도 값에 해당한다: 가상 제약 조건으로 명명된 것은 이러한 관계(이러한 방식으로 제어되기를 원하는 각각의 작동 자유도에 대해 하나씩)이다.
시스템이 행동하는 것이 가능하고 원하는 자유도에 대한 이 궤적을 정확히 따른다면, 다시 말해서 이러한 자유도에 대해 가상 제약 조건이 준수된다면 시스템의 변화는 전적으로 HZD라는 자체 역학을 따르는 작동되지 않는 이러한 자유도에 의해 결정된다.
따라서 가상 제약 조건을 잘 선택하면 이 역학이 매력적인 주기적 "궤적(orbit)", 즉 시스템이 자연스럽게 끌리는 안정적인 궤적을 포함할 수 있다.
이 HZD 방법은 큰 만족을 제공하지만 궤적 생성에 어려움이 있다(또한 "평발(flat foot)" 방법의 경우에도 마찬가지임). 실제로, 주어진 궤적은 스텝의 길이, 걷기 빈도 및 상반신의 기울기 및 계단을 지나가는 경우 계단의 높이, 재활 활동의 틀에서 굽은 움직임에 대한 회전의 순간 각도, 질량 중심의 위치, 및 상반신의 양태 편차와 같은 걷기의 "특성(characteristics)"과 연관되고, 안정적이어야 한다. 걷기의 특성이 바뀌면 새로운 궤적이 필요하다.
오늘날에는, 실시간으로 궤적을 생성할 수 있는 해결책이 없으며, 궤적을 미리 계산하고 테스트해야 하며 다음과 같은 몇 가지 이유가 있다:
- 현재 궤적-생성 알고리즘은 제약 조건 하에서 비선형 비볼록 문제를 최적화하는 방법을 기반으로 한다. 이러한 유형의 알고리즘은 수렴을 보장하지 않는다. 따라서 수학적으로 협소한 탐색 공간에 한정되는 경우에도, 원하는 걷기 특성에 대한 궤적을 얻을 수 있는지 확인하는 것은 불가능하다.
- 제약 조건 하에서 이러한 비선형 비볼록 문제를 해결하는 것은 복잡하고 상당한 계산 능력이 필요하다. 실시간 작동을 고려하려면 이 시간이 약 100μs가 되어야 하지만 고급 컴퓨터의 물리적 코어당 궤적당 약 90초의 계산 시간이 필요하다.
- 현재는 원격 서버에서 연산을 수행한 후 인터넷으로 결과를 전송하고 있어 외골격 사용자가 영구적으로 안정적인 연결을 유지해야 하므로 일상생활에서의 사용에 큰 불편을 겪는다.
따라서, 최종적으로 실시간으로 구현될 수 있고 외골격 조작자에게 약간의 위험이 없는 궤적 생성을 위한 새로운 해결책을 갖는 것이 바람직할 것입니다.
본 발명은 제 1 양태에 따라 제 1 서버의 데이터 처리 수단에 의해 외골격의 궤적을 생성하기 위한 신경망의 매개변수를 학습하는 방법에 관한 것으로, 상기 방법은 (a) 상기 외골격의 가능한 걷기의 세트에 대해 주기 궤적을 학습하기 위한 제 1 데이터베이스에 따라, n-튜플(n-tuple)의 걷기 매개변수에 의해 정의된 상기 외골격의 주어진 걷기에 대해 각각 상기 외골격의 주기적인 기본 궤적을 생성하기에 적합한 제 1 신경망의 매개변수를 학습하는 단계; 및 (b) 상기 외골격의 가능한 걷기의 세트에 대해 주기적인 기본 궤적 및 전환의 제 2 학습 데이터베이스에 따라, 제 1 신경망으로부터의 매개변수를 사용하여, 상기 외골격의 주기적인 기본 궤적을 생성하는 데 적합한 제 2 신경망의 매개변수 및 상기 외골격의 하나의 주기적인 기본 궤적에서 상기 외골격의 또 다른 주기적인 기본 궤적으로의 전환을 학습하는 단계를 포함한다.
다른 유용하고 비 제한적인 특성에 따라:
상기 단계 (a)는 최적화 알고리즘을 사용하여 상기 외골격의 가능한 걷기의 세트에 대한 주기적인 궤적의 상기 제 1 학습 데이터베이스의 구성을 포함한다.
상기 외골격의 가능한 걷기의 세트는 상기 n-튜플의 스텝 매개변수가 값을 갖는 공간을 균일하게 커버하도록 선택된다.
상기 단계 (a)는 상기 제 1 신경망의 예측 정확도를 나타내는 기준의 검증을 더 포함하고, 이 기준이 검증되지 않은 경우 상기 단계 (a)가 반복된다.
상기 단계 (b)는 상기 제 1 학습 데이터베이스를 사용하여 상기 외골격의 가능한 걷기의 세트에 대한 주기적인 궤적 및 전환을 학습하기 위한 상기 제 2 데이터베이스의 구성을 포함한다.
상기 제 2 데이터베이스는 상기 제 1 학습 데이터베이스의 상기 외골격의 주기적 기본 궤적에서 상기 제 1 학습 데이터베이스의 상기 외골격의 다른 주기적 기본 궤적으로의 모든 전환을 포함한다.
초기 주기적 기본 궤적으로 지칭되는 상기 외골격의 주기적 기본 궤적을 최종 주기적 기본 궤적으로 지칭하는 상기 외골격의 다른 주기적 기본 궤적으로의 각각의 전환은 초기 주기적인 기본 궤적, 적어도 하나의 중간 주기적인 기본 궤적, 및 최종 주기적인 기본 궤적을 연속적으로 포함하는 주기적인 기본 궤적의 시퀀스(sequence)로 정의되며, 상기 제 2 데이터베이스의 구성은, 상기 제 1 학습 데이터베이스의 초기 및 최종 주기적 궤도의 각각의 쌍에 대해, 적어도 하나의 중간 주기적 기본 궤적의 결정을 포함한다.
초기 주기적 기본 궤적과 최종 주기적 기본 궤적 사이의 각각의 중간 주기적 기본 궤적이 상기 초기 및 최종 주기적 기본 궤적의 선형 조합(mixture)이다.
초기 주기적 기본 궤적과 최종 주기적 기본 궤적의 쌍에 대한 적어도 하나의 중간 주기적 기본 궤적을 결정하는 단계는 주기적 기본 궤적의 그래프 내의 상기 초기 주기적 기본 궤적으로부터 상기 최종 주기 궤적으로의 소위 최단 경로 알고리즘을 사용하여 하나의 주기적 기본 궤적으로부터 다른 하나의 주기적 기본 궤적으로 지나기 위한 비용이 상기 외골격의 역학의 불일치를 나타낸다.
상기 단계 (b)는 상기 제 2 신경망의 예측의 정확도를 나타내는 기준의 검증을 더 포함하고, 이 기준이 검증되지 않은 경우, 상기 단계 (b)가 반복된다.
제 2 양태에 따라, 본 발명은 외골격의 궤적 생성 방법에 관한 것으로, 상기 방법은 (c) 제 1 양태에 따른 상기 외골격의 궤적을 생성하기 위한 신경망의 매개변수 학습 방법을 사용하여 학습된 제 2 신경망의 매개변수를 제 2 서버의 메모리(12)에 저장하는 단계; 및 (d) 상기 제 2 신경망을 이용하여 상기 제 2 서버(10b)의 데이터 처리 수단에 의해 상기 외골격의 궤적을 생성하는 단계를 포함한다.
다른 유용하고 비 제한적인 특성에 따라:
상기 외골격은 인간 조작자(human operator)를 수용하고, 상기 단계 (d)는 상기 조작자가 원하는 상기 외골격의 걷기 매개변수의 n-튜플 시퀀스의 결정을 포함하고, 상기 외골격의 궤적은 n-튜플의 상기 시퀀스에 따라 생성된다.
상기 외골격의 생성된 궤적은 상기 시퀀스의 각각의 n-튜플에 대해 새로운 주기적 기본 궤적 및 이 새로운 주기적 기본 궤적으로의 전환을 포함한다.
제 3 양태에 따라, 본 발명은 적어도 하나의 자유도가 데이터 처리 수단에 의해 제어되는 액추에이터에 의해 작동되는, 복수의 자유도를 갖는 운동으로 외골격을 설정하는 방법에 관한 것으로, 상기 방법은 상기 외골격을 걷게하는 방식으로, 제 2 양태에 따른 상기 외골격의 궤적을 생성하기 위한 방법에 의해 생성된 상기 외골격의 궤적을 상기 외골격의 데이터 처리 수단에 의해 실행하는 단계(e)를 포함한다.
제 4 양태에 따라, 본 발명은 각각 데이터 처리 수단을 포함하는, 제 1 서버, 제 2 서버, 및 외골격을 포함하는 시스템에 관한 것으로, 상기 시스템은 상기 데이터 처리 수단이 상기 외골격의 궤적을 생성하기 위한 신경망의 매개변수를 학습하기 위한 제 1 양태에 따른 방법, 상기 외골격의 궤적을 생성하기 위한 제 2 양태에 따른 따른 방법, 및/또는 상기 외골격이 운동하도록 설정하기 위한 제 3 양태에 따른 방법을 실행하도록 구성되는 것을 특징으로 한다.
제 5 및 제 6 양태에 따라, 본 발명은 컴퓨터 프로그램 제품에 관한 것으로, 상기 제품은 외골격의 궤적을 생성하기 위한 신경망의 매개변수를 학습하기 위한 제 1 양태에 따른 방법, 외골격의 궤적을 생성하기 위한 제 2 양태에 따른 방법, 및/또는 상기 외골격이 운동하도록 설정하기 위한 제 3 양태에 따른 방법을 실행하기 위한 코드 명령, 및 컴퓨터 프로그램 제품이 외골격의 궤적을 생성하기 위한 신경망의 매개변수를 학습하기 위한 제 1 양태에 따른 방법, 외골격의 궤적을 생성하기 위한 제 2 양태에 따른 방법, 및/또는 상기 외골격이 운동하도록 설정하기 위한 제 3 양태에 따른 방법을 실행하기 위한 코드 명령을 포함하는 IT 장비에 의해 판독될 수 있는 저장 수단을 포함한다.
본 발명의 다른 특징 및 이점은 바람직한 실시예의 다음 설명을 읽을 때 나타날 것이다. 이 설명은 다음과 같은 첨부 도면을 참조하여 제공된다.
도 1은 본 발명에 따른 방법의 구현을 위한 아키텍처의 다이어그램이고,
도 2는 본 발명에 따른 방법에 의해 사용되는 외골격의 다이어그램이고,
도 3은 본 발명에 따른 방법에 사용되는 신경망의 다이어그램이고,
도 4는 본 발명에 따른 방법의 바람직한 실시예를 나타내는 도면이다.
아키텍처(Architecture)
본 발명의 3가지 보완적인 양태에 따르면, 다음이 제안된다:
- 신경망, 특히 외골격(1)의 궤적을 생성하기 위한 피드포워드 신경망(Feedforward Neural Network; FNN) 유형의 매개변수를 학습하는 방법;
- 외골격(1)의 궤적을 생성하는 방법(신경망 사용, 전술한 방법 덕분에 유리하게 학습됨); 및
- 외골격(1)이 운동하도록 설정하는 방법(제 2 양태에 따른 방법 덕분에 생성된 궤적 적용).
이들 3가지 유형의 방법은 제 1 및/또는 제 2 서버(10a, 10b) 덕분에 도 1에 도시된 바와 같은 아키텍처 내에서 구현된다. 제 1 서버(10a)는 학습 서버(제 1 방법 구현)이고, 제 2 서버(10b)는 궤적을 생성하기 위한 서버(제 2 방법 구현)이다. 이 두 서버가 혼동되는 것이 전적으로 가능하지만, 실제로 제 1 서버(10a)는 원격 서버인 반면, 제 2 서버(10b)는 실시간 작동을 위해 외골격(1)에 의해 내장될 수 있다.
이러한 서버(10a, 10b) 각각은 일반적으로 데이터 교환을 위해 인터넷 네트워크와 같은 광역 네트워크(20)에 연결된 하나의 IT 장비이지만 실제로 일단 신경망이 학습되고 제 2 서버(10b)에 내장되면 통신은 적어도 간헐적으로 중단될 수 있다. 각각은 프로세서 유형의 데이터 처리 수단(11a, 11b)(특히 제 1 서버의 데이터 처리 수단(11a)은 학습된 신경망의 단순한 사용에 비해 학습이 길고 복잡하기 때문에 높은 컴퓨팅 파워를 갖는다), 및 적용 가능한 경우 컴퓨터 메모리, 예를 들어 하드 드라이브와 같은 데이터 저장 수단(12a, 12b)를 포함한다. 우리는 나중에 제 1 서버(10b)의 메모리(12a)에 의해 저장될 수 있는 학습 데이터베이스를 볼 것이다.
본 발명에 따른 3가지 유형의 방법을 결합한 바람직한 실시예에 따르면, 시스템은 네트워크(20)를 통해 상기 제 2 장비(10b)를 내장하는 외골격(1)에 연결된 제 1 서버(10a)를 포함한다:
- 제 1 서버(10a)는 해당하는 경우 두 개의 학습 데이터베이스를 구성하고 이러한 학습 데이터베이스를 사용하여 제 2 신경망의 매개변수를 학습하는 방법을 구현하기 위해 계산 능력을 사용하고 제 2 서버(1b)에서 학습한 매개변수를 제 2 서버(1b)로 전송하고;
- 제 2 서버(10b)는 제 1 서버(10a)로부터 검색된 매개변수를 사용하는 신경망 덕분에 외골격(1)의 궤적을 생성하는 방법을 구현하고;
- 외골격(1)은 운동하도록 설정하기 위해 제자리에서 생성된 상기 궤적을 직접 적용한다.
각각 제 2 서버(10b)를 내장하는 복수의 외골격(1) (이는 전용된 외골격(1)에 대해서만 궤적을 생성한다는 점에서 제한된 전력 및 공간을 가질 수 있음), 또는 더 강력하고 선택적으로 제 1 서버(10a)와 혼동되는(그리고 모든 외골격(1)에 대한 궤적을 즉석에서 생성할 수 있는 능력을 갖는) 제 2 서버(10b)에 각각 연결된 복수의 외골격(1)이 있을 수 있다는 것이 이해된다.
도 2를 참조하면, 외골격(1)이라는 용어는 작동 및 제어되는 두 개의 다리가 있는 이족걷기 로봇 디바이스 유형의 관절식 기계 시스템을 의미하며, 더 정확하게는 (특히 스트랩 덕분에) 외골격(1)의 다리에 하지가 각각 부착된 인간 작업자를 수용한다. 따라서 다소 인간형 로봇이 될 수 있다. 여기에서 "걷기(walking)"는 넓은 의미에서 로봇 디바아스(1)의 움직임의 설정을 의미하며, 실제로는, 변위뿐만 아니라 앉은 자세에서 서 있는 자세로 넘어가는 움직임("일어서기(standing up)"라고 하는 움직임) 또는 그 반대를 생성하는 방식으로, 서 있는 위치(평평한 지면, 경사 램프, 계단 등)에서 다리를 번갈아 지지한다.
외골격(1)은 복수의 자유도, 즉 변형 가능한 관절(일반적으로 회전을 통해), 즉 서로에 대해 이동 가능한 관절을 가지며, 각각은 "작동(actuated)"되거나 "작동되지 않음(not actuated)"이다.
작동된 자유도는 데이터 처리 수단(11c)에 의해 제어되는 액츄에이터가 제공된 관절을 지정하며, 즉 이 자유도가 제어되고 작동될 수 있다. 반대로, 작동되지 않는 자유도는 액츄에이터가 없는 관절을 지정한다, 즉, 이 자유도는 자체 역학을 따르고 데이터 처리 수단(11c)은 이에 대한 직접적인 제어를 갖지 않는다(그러나 선험적으로 다른 작동 자유도를 통한 간접적 제어). 도 1의 예에서, 뒤꿈치-지면 접촉은 규칙적이고 외골격(1)은 따라서 이 접촉점에 대해 회전환 자유롭다. 따라서 뒤꿈치-엉덩이 축선과 수직선 사이의 각도는 작동되지 않는 자유도를 구성한다.
본 외골격은 자연적으로 적어도 하나의 작동된 자유도, 바람직하게는 복수, 또한 바람직하게는 작동되지 않은, 즉 위에서 언급한 바와 같이 "부족 구동된(under-actuated)" 자유도를 적어도 하나 포함한다. 작동되지 않은 자유도의 수를 부족 구동 정도라고 한다.
데이터 처리 수단(11c)은 IT 장비(일반적으로 프로세서, 외골격(1)이 "원격 제어(remote-controlled)"인 경우 외부에 있지만 바람직하게는 외골격(1)에 내장된 경우)를 지정하며, 적용 가능한 경우 내장된 경우(도 2에 표시된 경우) 제 2 서버(10b)의 데이터 처리 수단(11b)과 혼동되고 다양한 액츄에이터에 대한 지시를 처리하고 명령을 생성하는데 적합하다. 후자는 전기, 유압 등이 될 수 있다.
외골격(1)은 메모리(12)(특히 제 2 서버(10b)의 메모리, 즉 서버(10b)가 내장되지 않은 경우 수단(12)은 외부에 있을 수 있음), 및 지면(13)에 발의 충격을 감지하기 위한 수단, 관성 측정 수단(14), 작업자의 센서 조끼(15) 등과 같은 다양한 센서를 더 포함할 수 있다.
본 출원은 임의의 외골격(1) 아키텍처에 제한되지 않으며, 예는 출원 WO2015140352호 및 WO2015140353호에 기술된 바와 같이 취해져야 한다.
따라서, 바람직하게 그리고 이들 출원에 따르면, 외골격(1)은 발이 평평할 때 외골격을 착용한 사람의 다리의 발이 지탱할 수 있는 지지면을 포함하는 발 구조를 각각의 다리에 포함한다.
이 지지면은 전방 플랫폼 및 후방 플랫폼을 포함하며, 발 피벗 연결이 작동되지 않는 자유도를 구성하여 전방 플랫폼과 후방 플랫폼을 연결한다. 이러한 아키텍처는 "HZD" 유형의 궤적에 특히 적합하다.
그러나 당업자는 본 방법을 임의의 다른 기계적 아키텍처에 적용하는 방법을 알 것이다.
발명의 원리
최근 몇 년 동안 실시간 제어 분야에서 인공 지능 기술에 대한 뜨거운 관심이 있었다.
불행히도, 궤적을 생성하는 현재 프로세스는 오류의 역전파에 필요한 분석적 기울기가 없기 때문에 강화에 의한 학습 방법과 거의 호환되지 않는다. 그런 다음 Q-학습(Q-Learning) 및 정책의 기울기(Policy Gradients)와 같이 획득하는 데 비용이 많이 드는 더 복잡한 방법과 더 많은 실험 데이터가 필요한 방법에 의존해야 ㅎ한. 또한, 이러한 방법으로는 실제 외골격(1)에 대한 학습을 수행할 수 없다. 따라서 시뮬레이션이 수행되어야 한다.
따라서, 로봇 공학의 특정 작업에서는 계획 작업을 수행하기 위해 신경망을 사용하지만, 그 사용은 대부분의 경우 궤적 데이터베이스를 압축하여 실제 디바이스에 쉽게 삽입하기 위한 목적으로 비선형 회귀로 제한된다. 이 접근 방식은 머신 러닝이 아닌 기존 로봇 공학 분야에서 발생하는 문제에 초점을 맞춘 연구 프레임워크에서 신경망을 "블랙 박스(black box)" 도구의 상태로 분류하여 연구에 대한 관점을 거의 제공하지 않는다. 또한 이러한 작업은 궤적이 모델링하기 어려운 데이터이기 때문에 성능이 저하되었으며, 후자는 입력 매개변수와 관련하여 많은 불규칙성과 혼란스러운 특성을 가지고 있다.
본 방법은 실제로 제 1 및 제 2 신경망으로 지정된 두 개의 신경망을 연속적으로 학습하여 이러한 어려움을 영리하게 해결한다. 제 2 신경망은 외골격의 궤적을 효과적으로 생성하는 "출력(output)" 네트워크이다.
설명된 바와 같이, 외골격의 "궤적(trajectory)"은 시간 또는 위상 변수의 함수로 표현되는 각각의 자유도(특히 작동)의 변화를 의미한다.
아이디어는 "복잡한(complex)" 궤적을 전환에 의해 교차되는 "기본(elementary)"이라고 하는 주기 궤적의 시퀀스로 정의하는 것이다. 주기적인 궤적이라는 용어는 단계 시작(발이 닿는 순간)에서 외골격(1)의 초기 상태에서 시작하여 동일한 방식으로 단계 기간 동안 적용되는 모든 궤적(해당되는 경우 반복적으로)을 의미하고, 동일한 상태는 다음 단계의 시작 부분에서 반환된다(설명된 대로, 이것은 모든 평지 걷기를 포함하지만 경사로, 계단 오르기 또는 내리기 등도 포함한다). 또한 주기적인 궤적은 "한계 주기(limit cycle)"를 형성한다고 한다. 따라서, 상기 주기 궤적은 안정적인 방식으로 임의의 수의 단계에 걸쳐 적용될 수 있다.
다시 말해, 각각의 기본 궤적은 외골격(1)의 주어진 걷기(걷기는 걷기 매개변수의 n-튜플에 의해 정의됨)와 연관되며, 이 걷기를 안정적이고 실현 가능한 방식으로 유지하는 것을 가능하게 한다(즉, 최적화 문제의 모든 제약 조건을 존중하고 비용 함수를 최대한 최소화한다). 설명된 바와 같이, 상기 걷기 매개변수는 스텝의 길이, 걷기 빈도 및 상반신의 기울기와 같은 걷기 방식의 "특성"에 해당하지만, 계단을 지나가는 경우 스텝의 높이, 곡선 움직임에 대한 순간적인 회전 각도; 및 또한 크기, 체중, 허벅지 또는 경골의 길이, 질량 중심의 위치(전방으로 향한 시프트의 값) 및 재활 활동의 틀에서 상방신의 양태 편차와 같은 조작자(환자 매개변수에 참조된 걷기 매개변수의 하위 그룹)의 형태학적 특성에 해당한다.
위에서 언급한 걷기의 "제약 조건(constraint)"은 다양할 수 있고 원하는 걷기 유형, 예를 들어 "평발" 걷기 또는 "HZD"에 따라 달라질 수 있다. 현재 방법은 원하는 걷기 유형에 제한되지 않는다.
전환은 걷기의 변화, 즉 상기 걷기 매개변수 값의 변화(예: 스텝 길이의 증가)에 해당한다: 초기 걷기 매개변수 세트와 최종 걷기 매개변수 세트를 알고 있으므로 초기 주기 궤적(초기 걷기 매개변수 세트와 연관됨) 및 최종 주기 궤적(최종 걷기 매개변수 세트와 연관됨)을 포함하며, 상기 전환은 초기 주기 궤적에서 최종 궤적으로 통과하는 것을 가능하게 하는 궤적 단편이다. "초기(initial)" 또는 "최종(final)" 전환, 예를 들어, 일어서기 또는 앉기 동작이 있을 수 있지만, 초기 또는 최종 전환을 미리 계산할 수 있다는 점에서 주기적인 궤적 사이의 "중간(intermediate)" 전환에 초점을 맞춰야 한다.
알 수 있는 바와 같이, 그러한 전환은 주기 궤적의 공간에서 경로로 똑똑히 볼 수 있다, 즉, 하나 또는 그 초과의 중간 궤적이 초기 주기 궤적과 최종 주기 궤적 사이에 계획될 수 있으며, 특히 이러한 두 개의 궤적 사이의 "조합"에 해당한다, 즉 이러한 초기 궤적과 최종 궤적 사이에 중간 걷기 매개변수를 갖는다. 실제로, 가능한 중간 주기적 기본 궤적의 연속 세트를 미리 사용할 수 있으며(초기 및 최종 궤적 중 하나에서 다른 궤적으로 걷기 매개변수를 특히 선형으로 변경함으로써 모든 궤적) 전환 궤적의 결정은 중간 궤적의 적절한 연속을 선택하는 것으로 구성된다(이하 "진행"이라고 하는 기능에 의해 유리하게 매개변수화됨). 이러한 중간 궤적의 수는 설정될 수 있으며 유리하게 균일하게 분포된다, 즉, 가능한 모든 중간 궤적이 연속적이고 선형적인 연속을 형성한다.
즉, 초기 궤적에서 최종 궤적으로 즉시 전달되지 않고 연속적인 주기에 걸쳐 작은 증분으로 진행된다. 전환이 충분히 느리면 궤적의 점진적 변화의 영향을 무시할 수 있다. 즉, 시스템의 상태는 실질적으로 각 단계에서 한계 사이클에 속한다.
제 1 신경망은 걷기를 예측할 수 있다, 즉, 외골격(1)의 주어진 걷기에 대해 외골격(1)의 주기적인 기본 궤적을 생성할 수 있다. 다른 말로, 제 1 신경망은 입력으로 걷기 매개변수의 n-튜플을 취하고 출력으로 해당 주기 궤적을 생성한다. 이점은 이 접근 방식이 차원 수를 제한하므로 현재 시스템의 범위 내에 있다는 것이다.
제 2 신경망은 제 1 신경망에서 얻은 것과 동일한 주기적인 걷기를 생성할 수 있지만 주기적인 걷기 주기 사이에 물리적으로 허용되는 전환을 예측할 수도 있다, 즉, 주기적인 기본 궤적과 전환을 모두, 즉 임의의 궤적의 단부에서 생성한다. 따라서 제 1 신경망을 일반화하고 이를 대체한다.
제 1 및 제 2 네트워크 각각은 바람직하게는 피드포워드 신경망(FNN) 유형의 네트워크이며, 즉 정보는, 반복 연결 없이, 입력 노드로부터 은닉 레이어(해당되는 경우)를 통과하여 앞으로 그리고 출력 노드로 한 방향으로만 흐르는데, 이러한 네트워크는 뛰어난 확장성을 가지고 있기 때문이다. 특히 2~3개의 은닉 레이어와 레이어당 200~300개의 뉴런이 있는 FNN을 사용하는 것이 가능하다. 또는 컨볼루션 신경망(Convolutional Neural Networks; CNN), 장기 단기 기억(Long Short-Term Memory; LSTM) 또는 게이트 순환 장치(Gated Recurrent Unit; GRU) 유형의 순환 네트워크 등과 같은 다른 유형의 신경망을 사용할 수 있다.
제 1 및/또는 제 2 신경망은 걷기 매개변수와 관련하여 연속적으로 유도 가능한 특성을 갖는 것이 바람직하며, 이를 위해 예를 들어 연속적으로 유도 가능한 시그모이드(Sigmoid) 유형의 활성화 함수를 사용하는 네트워크가 선호된다. (특히 ReLU에 반대).
도 3에 도시된 특히 바람직한 실시예에 따르면, 제 1 및 제 2 네트워크 각각은 바람직하게는 컨볼루션 레이어 및 업샘플링 레이어(upsampling layer)를 교대로 사용하는 디컨볼루션(또는 전치된 컨볼루션)으로 지칭되는 최종 블록을 갖는 FNN이다. 보다 정확하게는, 이 아키텍처는 오토인코더(또는 "인코더-디코더(encoder-decoder)")로서 지칭된 구조를 형성하는데, 메인 FNN 블록이 초기 인코딩 시퀀스라고 하는 작은 차원의 특징 맵을 생성하여 인코더의 역할을 하고 디콘볼루션 블록은 초기 인코딩 시퀀스로부터 예측된 궤적을 정의하는 출력 시퀀스를 재구성하여 디코더의 역할을 한다. 이 아키텍처는 구조가 자연스럽게 서로 상관된 시간 시퀀스를 예측하기 때문에 학습할 매개변수가 거의 없도록 하므로 기존 FNN의 경우처럼 이 0 동작을 학습할 필요가 없다.
학습 방법(Method of learning)
제 1 양태에 따르면, 제 1 서버(1a)의 데이터 처리 수단(11a)에 의해 구현되는 학습 방법이 제안된다.
설명되고 도 4에 표시된 것처럼, 이 방법은 외골격(1)의 가능한 걷기의 세트에 대한 주기적인 궤적을 학습하기 위한 제 1 데이터베이스에 따른 걷기 매개변수의 n-튜플에 의해 정의된 외골격(1)의 주어진 걷기에 대해 외골격(1)의 주기적인 기본 궤적을 생성할 수 있는 제 1 신경망의 학습 매개변수의 단계(a)로 시작한다.
바람직하게는, 이 단계(a)는 상기 제 1 학습 데이터베이스의 구성, 즉 이를 구성하는 상기 주기 궤적의 생성을 포함한다.
아이디어는 외골격(1)의 가능한 걷기의 세트를 포함하는 것이다, 즉, 가능한 잘 분산된 걷기 매개변수의 많은 n-튜플에 대해 연관된 궤적을 갖는 것이다.
설명된 바와 같이, 최적화 도구는 이에 대해 알려져 있으며, 특히 다양한 걷기 매개변수로 구성된 허용 가능한 연구 세트의 컴팩트한 공간에 대한 최적화에 의해 궤적의 제 1 데이터베이스를 생성할 수 있다. 예를 들어, HZD 궤적의 경우, 궤적 생성 문제는 소위 직접 배열 알고리즘에 의해 바람직하게 해결될 수 있는 최적 제어 문제의 형태로 공식화되고 문서 Omar Harib 등의 견고하게 안정적인 핸즈프리 다이내믹 워킹을 향한 하반신마비 환자를 위한 외골격의 피드백 제어(Feedback Control of an Exoskeleton for Paraplegics Toward Robustly Stable Hands-free Dynamic Walking)를 참조하시오.
샘플은 적은 수의 샘플에 대해서도 전체 공간을 균일하게 커버하고 경계를 정확하게 포함하기 위해 매개변수당 동일한 수의 가능한 값을 갖는 유한 집합에 대해 균일하고 이산화된 법칙에 따라 유리하게 무작위로 생성된다. 수학적으로, 이것은 매개변수의 주어진 n-튜플에 대해 "닫힌(close)" 샘플이 있음을 의미한다.
제 1 학습 기반을 구성하는 이 단계는 길지만 훨씬 상류에서 수행할 수 있으며 제 1 기반은 조금씩 완성될 수 있다. 미리 구성된 기반으로 시작하는 것도 가능하다.
제 1 네트워크 자체의 학습에 관해서는 특히 지도 학습에 의해 기존 방식으로 진행하는 것이 가능하며, 결국 학습을 검증하기 위해 신경망의 예측 정확도를 나타내는 기준을 확인하는 것이 가능하다.
보다 엄밀히 말하면, 예측 오차는 평균적인 단계 동안 실제 외골격에 대한 참조 모니터링의 최대 오차보다 유리하게 훨씬 작아야 하고, 즉, 예측의 주어진 부분(특히 4%)보다 작아야 하고, 0.01rad와 같은 임계값보다 큰 예측의 최대 에러를 갖는다(무한 표준에서, 즉 모든 관절(articulation)과 모든 순간은 전체적으로 취한다).
그렇지 않은 경우, 궤적-생성 알고리즘 자체를 수정하여 현재의 경우 신경망의 예측에 해당하는 참조와 유사한 궤적을 생성하도록 장려할 수 있다.
그런 다음 이 방법론에 따라 새로운 제 1 데이터베이스를 생성하는 것이 바람직하고 제 1 신경망은 다시 초기화하지 않고 단계 (a)의 새로운 발생에서 이 새로운 기반에 대해 이전 상태에 대해 점진적으로 재학습된다(즉, 단계 (a)의 제 1 발생이 끝날 때 얻은 가중치로 시작한다). 예측의 정확도 기준이 여전히 확인되지 않으면, 프로세스가 반복된다.
(a) 단계가 끝나면, 주기적인 궤적을 예측할 수 있는 제 1 신경망을 사용할 수 있다. 이러한 주기 궤적은 실현 가능하고 안정적임을 보장한다, 즉, 궤적 최적화 알고리즘에서 오는 최적화 문제의 모든 제약 조건을 충족하고 원래 문제의 비용 함수를 최대한 최소화한다. 설명된 대로, 탐색할 차원의 수가 너무 많아지기 때문에 제안된 접근 방식을 전환 생성으로 확장할 수 없다.
주어진 작업(즉, 제약 조건을 충족하는)에 대해 많은 수(무한대라도) 가능한 궤적이 존재한다는 것이 이해된다. 최적화 프로세스의 역할은 후자(실제로 에너지) 중에서 선택한 비용을 최소화하는 프로세스를 계산하는 것이다. 그러나, 이러한 모든 해결책은 신경망으로 모델링하기 어렵기 때문에 최적화 문제를 완벽하게 모델링할 수 있는 궤적으로만 제한하려고 한다. 구체적으로 말하자면, 데이터베이스의 모든 궤적 간의 합의의 문제이다; 데이터베이스의 궤적은 집합으로 모델링될 수 있고 따라서 정확하고 신뢰할 수 있는(즉, 훈련 샘플뿐만 아니라 테스트 샘플에 대한 외골격(1)에 대해 실행가능하고/안정적인) 예측을 보장하기 위해 서로 동의해야 한다. 이 문제를 직접 해결하는 것은 너무 복잡하기 때문에 불가능하기 때문에 여기서 반복적인 방법이 작동하기 시작하다.
따라서, 설명된 바와 같이, 방법은, 주기적 기본 궤적의 제 2 학습 데이터베이스 및 외골격(1)의 가능한 걷기의 세트에 대한 전환에 따라, 제 1 신경망으로부터의 매개변수를 사용하여 외골격(1)의 주기적인 기본 궤적 및 외골격(1)의 하나의 주기적 기본 궤적으로부터 외골격(1)의 또 다른 주기적 기본 궤적으로의 전환을 생성하기에 적합한 제 2 신경망의 매개변수를 학습하는 단계 (b)를 포함한다.
바람직하게는, 제 2 신경망 및 제 1 신경망은 설명된 바와 같이 동일한 아키텍처(예를 들어, 도 3의 아키텍처)를 갖지만, 제 2 신경망은 단계 (b) 동안 학습될 수 있는 추가 매개변수를 사용하여 더 많은 수의 매개변수를 포함한다(예를 들어, FNN에 대한 레이어에 의해 더 많은 매개변수 또는 컨볼루션 네트워크에 대한 더 많은 채널을 가짐으로써). 공통 매개변수는 단계(a)에서 얻은 값으로 시작하여 단계(b)에서 선택적으로 다시 학습할 수도 있다. 대안적으로, 제 2 신경망은 제 1 네트워크에 대해 부가 레이어를 구비한 제 1 신경망에 대응할 수 있으며, 이의 매개변수는 단계 (b) 동안 학습될 것이다.
단계 (a)의 경우, 단계 (b)는 상기 제 2 학습 데이터베이스의 구성, 즉 이를 구성하는 그리고 유리하게는 제 1 데이터베이스로부터 이를 상기 주기 궤적 및 전환의 생성을 포함할 수 있는, 동일한 방식으로 이해된다. 보다 정확하게는, 모든 전환은 제 1 학습 데이터베이스의 소위 초기 주기 궤적에서 제 1 학습 데이터베이스의 다른 소위 최종 주기 궤적으로 구성될 것이다. 다시 말하지만, 제 2 학습 기반은 훨씬 상위에 구성될 수 있고, 조금씩 완성되고 및/또는 사전 구성될 수 있다.
설명된 바와 같이, 전환은 초기 궤적에서 최종 궤적으로의 주기적인 궤적 공간의 경로로 볼 수 있으며, 이러한 방식으로 상기 제 2 기초는 제 1 기초의 초기 및 최종 주기적인 기본 궤적의 각각의 쌍에 대해 하나에서 다른 것으로의 전환을 포함할 수 있다(즉, 걷기 매개변수의 각각의 쌍의 n-튜플, 하나는 초기 궤적을 지정하고 다른 하나는 최종 궤적을 지정함). 유리하게는, 모든 가능한 전환은 전환의 진폭에 관계없이 동일 확률로 간주된다.
실제로는 주기적인 걷기 예측에만 기반한 휴리스틱 방법(heuristic method)을 제안할 수 있다. 접근 방식은 다음과 같다:
1. 걷기 매개변수를 선형적으로 변경하여 초기 주기 궤적에서 최종 궤적에 이르는 주기 궤적(가능한 많은 중간 궤적임)의 그리드를 생성한다. 이러한 중간 궤적은 두 개의 초기 궤적과 최종 궤적 사이의 선형 조합에 해당한다. 설명된 바와 같이 중간 궤적의 수는 설정될 수 있으며 유리하게는 균일하게 분포된다.
2. 전환은 좌측 위 코너(즉, 초기 시간의 초기 주기 궤적)에서 우측 아래 코너(최종 시간의 최종 주기 궤적)까지 이 격자를 통과하는 모든 경로에 해당한다. 가능성의 무한 선택 중에서 최적으로 간주되는 전환은 제약 조건 하에서 소위 최단 경로 알고리즘을 사용하여 계산할 수 있다. 그리드를 무방향 그래프로 고려함으로써, 즉 그래프의 정점이 주기적인 기본 궤적(초기, 최종, 또는 중간)이며, 한 정점에서 다른 정점으로의 각각의 전환(에지의 이동, 즉 궤적의 변화)과 관련된 비용은 하나의 주기적인 걷기에서 다른 주기적인 걷기로의 전환으로 인한 역학의 "비일관성(inconsistency)"으로, 목표는 전체 궤적에 대한 전환의 "비일관성"을 최소화하는 것이다. 보다 정확하게는, 불균형 생성의 위험이 있는 과도하게 큰 영향을 미칠 수 있는 궤적의 변화를 전환 기간 동안 피하는 것이 바람직하다. 불일치는 수학적으로 전환 궤적을 따른 역학 방정식의 위반에 해당하고, 예를 들어 전환 궤적에서 계산된 수치 도함수와 역학 방정식에 따른 예상 기간 사이의 잔류 오차를 사용할 수 있다. 실제로, 설명된 대로, 그리드의 이동은 초기 및 최종 주기 궤적 사이의 점진적 전환을 정의하는 "진행(progression)"이라고 하는 함수에 의해 매개변수화될 수 있고 이는 예를 들어 다항에 의해 매개변수화될 수 있고 다항의 계수는 최단 경로 알고리즘 덕분에 불일치를 최소화하고 에지 조건을 존중하도록 최적화되어 있다.
제 2 네트워크 자체의 학습과 관련하여, 비용 함수를 최소화하고 학습을 검증하기 위해 최종적으로 신경망 예측의 정확성을 나타내는 기준을 다시 확인하여 관례적으로 진행하는 것이 가능하다.
(b) 단계가 끝나면, 복잡한 궤적(전환 포함)을 예측할 수 있는 제 1 신경망을 사용할 수 있다. 제 2 신경망(더 구체적으로 그의 학습된 매개변수)은 제 2 서버(10b)(바람직하게는 외골격(1))의 단계 (c)에 내장될 수 있다.
궤적을 생성하기 위한 방법(Method for generating a trajectory)
제 2 양태에 따르면, 제 2 서버(1b)의 데이터 처리 수단(11b)에 의해 구현되는 외골격(1)의 궤적의 궤적을 생성하기 위한 방법이 제안된다. 외골격(1)의 궤적의 궤적을 생성하기 위한 상기 방법은 제 2 신경망의 제 1 양태에 따른 학습 방법의 구현을 따른다. 보다 정확하게는, 외골격(1)의 궤적을 생성하기 위한 신경망의 매개변수 학습 방법에 의해 학습된 제 2 신경망의 매개변수를 제 2 서버(10b)의 메모리(12)에 저장하는 상기 단계 (c)로 시작된다.
설명된 바와 같이, 제 2 신경망은 사전에 잘 생성될 수 있고, 다수의 외골격(1)에 내장될 수 있다. 바람직하게는 실시간으로 구현된다.
상기 제 2 방법은 외골격(1)의 작동 기간 동안 규칙적으로 구현될 수 있으며, 특히 상기 제 2 신경망을 이용하여 제 2 서버(10b)의 데이터 처리 수단(11b)을 생성하기 위한 단계 (d)에서 주기적인 궤적 및/또는 전환을 획득하는 방식으로 제 2 신경망을 선택적으로 반복된 호출을 포함한다.
보다 정확하게는, 점진적으로 획득되는 걷기 매개변수의 n-튜플 시퀀스가 가정된다(예: 외골격 운영자의 새로운 명령으로 인해). 매개변수의 새로운 n-튜플 각각에 대해, 제 2 신경망은 새로운 주기 궤적과 이 새로운 주기 궤적으로의 전환을 결정한다.
이를 위해, 궤적을 생성하기 위한 방법은 유리하게는 외골격(1)의 걷기 매개변수의 n-튜플의 결정(적용 가능한 경우 규칙적으로 반복됨)을 포함한다.
실제로, 외골격(1)이 인간 조작자를 수용하는 외골격인 경우, 상기 매개변수를 결정하는 것은 상기 인간 조작자의 자세(및 선택적으로 버튼 누름)이다(속도 및/또는 걷기 방향에 대한 설정값을 포함하는 시작 요청을 직접 수용할 수 있는 일반 로봇의 경우와 달리).
이를 위해, 조작자는 그들의 상반신의 구성(후자의 방향)을 감지하는 것을 가능하게 하는 센서 조끼(15)를 설명된 바와 같이 제공받을 수 있다. 조작자가 상반신을 향하는 방향은 걷고 싶은 방향이고 속도는 상반신을 앞으로 놓는 강도에 따라 지정된다(조작자가 기대는 정도까지). 시작 요청은 버튼(또는 특정 자세)을 누르는 조작자가 걷기 시작하려는 의도를 표시하고 따라서 데이터 처리 수단에 명령하여 상기 매개변수를 결정하는 것에 대응할 수 있다. 순간 회전 각도 또는 계단을 지나가는 경우 스텝 높이와 같은 일부 매개변수는 다른 센서(13, 14)에 의해 미리 결정되거나 획득될 수 있다.
제 3 양태에 따르면, 외골격의 궤적을 생성하기 위한 제 2 양태에 따른 상기 방법의 구현(단계 (a), (b), (c), (d)) 및 그런 다음 ((e)로 표시된 단계에서) 외골격(1)이 걷는 방식으로 상기 궤적의 실행을 포함하는 외골격(1)이 운동하도록 설정하는 방법이 제안된다.
단계 (d) 및 (e)는 항상 실시간으로 외골격(1)의 궤적을 수정하는 방식으로 반복될 수 있다.
장비 및 시스템(Equipment and system)
제 4 양태에 따르면, 본 발명은 제 1 양태 및 제 2 양태 및/또는 제 3 양태에 따른 방법의 구현을 위한 시스템에 관한 것이다.
설명된 바와 같이, 이 시스템은 제 1 서버(10a), 제 2 서버(10b), 및 아마도 혼동될 수 있는 외골격(1)을 포함한다.
제 1 서버(10a)는 제 1 양태에 따른 방법의 구현을 위한 데이터 처리 수단(11a)을 포함한다.
제 2 서버(10b)는 제 2 양태에 따른 방법의 구현을 위한 데이터 처리 수단(11b), 및 일반적으로 제 2 신경망(또는 오히려 그 학습된 매개변수)의 저장을 위한 데이터 저장 수단(12)을 포함한다.
외골격(1)은 제 3 양태에 따른 방법의 구현을 위해 구성된 데이터 처리 수단(11c)은 물론, 필요한 경우 데이터 저장 수단(12)(특히 제 2 서버(10b)의 데이터 저장 수단), 관성 측정 수단(14)(관성 측정 유닛), 지면에 대한 발의 충격을 검출하기 위한 수단(13)(접촉 센서 또는 선택적으로 압력 센서), 및/또는 센서 조끼(15)을 포함한다.
이는 제 3 양태에 따른 방법을 구현하는 프레임워크에서 데이터 처리 수단(11c)에 의해 제어되는 액추에이터에 의해 적어도 하나의 자유도가 작동되는 복수의 자유도를 갖는다.
컴퓨터 프로그램 제품(Computer program product)
제 5 및 제 6 양태에 따르면, 본 발명은 신경망의 학습 매개변수의 제 1 양태에 따른 방법, 외골격(1)의 궤적을 생성하기 위한 제 2 양태에 따른 방법, 및/또는 외골격(1)이 운동하도록 설정하기 위한 제 3 양태에 따른 방법의(처리 수단(11a, 11b, 11c)에서) 실행을 위한 코드 명령을 포함하는 컴퓨터 프로그램 제품뿐만 아니라 이러한 컴퓨터 프로그램 제품이 있는 한 벌의 IT 장비에 의해 판독될 수 있는 저장 수단에 관한 것이다.

Claims (17)

  1. 외골격(1)의 궤적을 생성하기 위한 신경망의 매개변수를 학습하는 방법으로서,
    제 1 서버(10a)의 데이터 처리 수단(11a)에 의해:
    (a) 상기 외골격(1)의 가능한 걷기(walking)의 세트에 대해 주기 궤적을 학습하기 위한 제 1 데이터베이스에 따라, 걷기 매개변수의 n-튜플(n-tuple)에 의해 정의된 상기 외골격(1)의 주어진 걷기에 대해 각각 상기 외골격(1)의 주기적인 기본 궤적을 생성하기에 적합한 제 1 신경망의 매개변수를 학습하는 단계;
    (b) 상기 외골격(1)의 가능한 걷기의 세트에 대해 주기적인 기본 궤적 및 전환의 제 2 학습 데이터베이스에 따라, 제 1 신경망으로부터의 매개변수를 사용하여, 상기 외골격(1)의 주기적인 기본 궤적을 생성하는 데 적합한 제 2 신경망의 매개변수 및 상기 외골격(1)의 하나의 주기적인 기본 궤적으로부터 상기 외골격(1)의 또 다른 주기적인 기본 궤적으로의 전환을 학습하는 단계의 실행을 포함하는, 방법.
  2. 제 1 항에 있어서,
    상기 단계 (a)는 최적화 알고리즘을 사용하여 상기 외골격(1)의 가능한 걷기의 세트에 대한 주기적인 궤적의 상기 제 1 학습 데이터베이스의 구성을 포함하는, 방법.
  3. 제 2 항에 있어서,
    상기 외골격(1)의 가능한 걷기의 상기 세트는 걷기 매개변수의 상기 n-튜플이 값을 갖는 공간을 균일하게 커버하도록 선택되는, 방법.
  4. 제 2 항 또는 제 3 항에 있어서,
    상기 단계 (a)는 상기 제 1 신경망의 예측 정확도를 나타내는 기준의 검증을 더 포함하고, 이 기준이 검증되지 않은 경우 상기 단계 (a)가 반복되는, 방법.
  5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
    상기 단계 (b)는 상기 제 1 학습 데이터베이스를 사용하여 상기 외골격(1)의 가능한 걷기의 세트에 대한 주기적인 궤적 및 전환을 학습하기 위한 상기 제 2 데이터베이스의 구성을 포함하는, 방법.
  6. 제 5 항에 있어서,
    상기 제 2 데이터베이스는 상기 제 1 학습 데이터베이스의 상기 외골격(1)의 주기적 기본 궤적으로부터 상기 제 1 학습 데이터베이스의 상기 외골격(1)의 또 다른 주기적 기본 궤적으로의 모든 전환을 포함하는, 방법.
  7. 제 6 항에 있어서,
    초기 주기적 기본 궤적으로 지칭되는, 상기 외골격(1)의 주기적 기본 궤적을 최종 주기적 기본 궤적으로 지칭되는, 상기 외골격(1)의 또 다른 주기적 기본 궤적으로의 각각의 전환은 초기 주기적인 기본 궤적, 적어도 하나의 중간 주기적인 기본 궤적, 및 최종 주기적인 기본 궤적을 연속적으로 포함하는 주기적인 기본 궤적의 시퀀스(sequence)로 정의되며, 상기 제 2 데이터베이스의 구성은, 상기 제 1 학습 데이터베이스의 초기 및 최종 주기적 궤도의 각각의 쌍에 대해, 적어도 하나의 중간 주기적 기본 궤적을 결정하는 단계를 포함하는, 방법.
  8. 제 7 항에 있어서,
    초기 주기적 기본 궤적과 최종 주기적 기본 궤적 사이의 각각의 중간 주기적 기본 궤적이 상기 초기 및 최종 주기적 기본 궤적의 선형 조합(mixture)인, 방법.
  9. 제 7 항 또는 제 8 항에 있어서,
    초기 주기적 기본 궤적과 최종 주기적 기본 궤적의 쌍에 대한 적어도 하나의 중간 주기적 기본 궤적을 결정하는 단계는 주기적 기본 궤적의 그래프 내의 상기 초기 주기적 기본 궤적으로부터 상기 최종 주기 궤적으로의 소위 최단 경로 알고리즘을 사용하여 하나의 주기적 기본 궤적으로부터 다른 것으로 지나기 위한 비용이 상기 외골격의 역학(dynamics)의 불일치를 나타내는, 방법.
  10. 제 5 항 내지 제 9 항 중 어느 한 항에 있어서,
    상기 단계 (b)는 상기 제 2 신경망의 예측의 정확도를 나타내는 기준의 검증을 더 포함하고, 이 기준이 검증되지 않은 경우, 상기 단계 (b)가 반복되는, 방법.
  11. 외골격(1)의 궤적을 생성하기 위한 방법으로서,
    (c) 제 1 항 내지 제 10 항 중 어느 한 항에 따른 상기 외골격(1)의 궤적을 생성하기 위한 신경망의 매개변수 학습 방법을 사용하여 학습된 제 2 신경망의 매개변수를 제 2 서버(10b)의 메모리(12)에 저장하는 단계;
    (d) 상기 제 2 신경망을 이용하여 상기 제 2 서버(10b)의 데이터 처리 수단(11b)에 의해 상기 외골격(1)의 궤적을 생성하는 단계를 포함하는, 방법.
  12. 제 11 항에 있어서,
    상기 외골격(1)은 인간 조작자(human operator)를 수용하고,
    상기 단계 (d)는 상기 조작자가 원하는 상기 외골격(1)의 걷기 매개변수의 n-튜플의 시퀀스를 결정하는 단계를 포함하고, 상기 외골격(1)의 궤적은 n-튜플의 상기 시퀀스에 따라 생성되는, 방법.
  13. 제 12 항에 있어서,
    상기 외골격(1)의 생성된 궤적은 상기 시퀀스의 각각의 n-튜플에 대해 새로운 주기적 기본 궤적 및 이 새로운 주기적 기본 궤적으로의 전환을 포함하는, 방법.
  14. 적어도 하나의 자유도(degree of freedom)가 데이터 처리 수단(11c)에 의해 제어되는 액추에이터(actuator)에 의해 작동되는, 복수의 자유도를 갖는 운동으로 외골격(1)을 설정하는 방법으로서,
    상기 외골격(1)을 걷게하는 방식으로, 제 11 항 내지 제 13 항 중 어느 한 항에 따른 상기 외골격(1)의 궤적을 생성하기 위한 방법에 의해 생성된 상기 외골격(1)의 궤적을 상기 외골격(1)의 데이터 처리 수단(11c)에 의해 실행하는 단계(e)를 포함하는, 방법.
  15. 데이터 처리 수단(11a, 11b, 11c)을 각각 포함하는, 제 1 서버(10a), 제 2 서버(10b), 및 외골격(1)을 포함하는 시스템에 있어서,
    상기 데이터 처리 수단(11a, 11b, 11c)이 상기 외골격(1)의 궤적을 생성하기 위한 신경망의 매개변수를 학습하기 위한, 제 1 항 내지 제 10 항 중 어느 한 항에 따른 방법, 상기 외골격(1)의 궤적을 생성하기 위한 제 11 항 내지 제 13 항 중 어느 한 항에 따른 방법, 및/또는 상기 외골격(1)이 운동하도록 설정하기 위한 제 14항에 따른 방법을 실행하도록 구성되는 것을 특징으로 하는, 시스템.
  16. 컴퓨터 프로그램이 컴퓨터에서 실행될 때, 외골격(1)의 궤적을 생성하기 위한 신경망의 매개변수를 학습하기 위한, 제 1 항 내지 제 10 항 중 어느 한 항에 따른 방법, 외골격(1)의 궤적을 생성하기 위한 제 11 항 내지 제 13 항 중 어느 한 항에 따른 방법, 및/또는 상기 외골격(1)이 운동하도록 설정하기 위한 제 14 항에 따른 방법을 실행하기 위한 코드 명령을 포함하는, 컴퓨터 프로그램 제품.
  17. 컴퓨터 프로그램 제품이 외골격(1)의 궤적을 생성하기 위한 신경망의 매개변수를 학습하기 위한, 제 1 항 내지 제 10 항 중 어느 한 항에 따른 방법, 외골격(1)의 궤적을 생성하기 위한 제 11 항 내지 제 13 항 중 어느 한 항에 따른 방법, 및/또는 상기 외골격(1)이 운동하도록 설정하기 위한 제 14 항에 따른 방법을 실행하기 위한 코드 명령을 포함하는 하나의 IT 장비에 의해 판독될 수 있는, 저장 수단.
KR1020227012005A 2019-09-26 2020-09-25 신경망의 매개변수 학습하기 위한, 외골격의 궤적 생성하기 위한 및 외골격이 운동하도록 설정하기 위한 방법 KR20220079854A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1910649A FR3101463B1 (fr) 2019-09-26 2019-09-26 Procédés d’apprentissage de paramètres d’un réseau de neurones, de génération d’une trajectoire d’un exosquelette et de mise en mouvement de l’exosquelette
FRFR1910649 2019-09-26
PCT/FR2020/051672 WO2021058918A1 (fr) 2019-09-26 2020-09-25 Procedes d'apprentissage de parametres d'un reseau de neurones, de generation d'une trajectoire d'un exosquelette et de mise en mouvement de l'exosquelette

Publications (1)

Publication Number Publication Date
KR20220079854A true KR20220079854A (ko) 2022-06-14

Family

ID=69375452

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227012005A KR20220079854A (ko) 2019-09-26 2020-09-25 신경망의 매개변수 학습하기 위한, 외골격의 궤적 생성하기 위한 및 외골격이 운동하도록 설정하기 위한 방법

Country Status (9)

Country Link
US (1) US20220347847A1 (ko)
EP (1) EP4034344B1 (ko)
JP (1) JP2022549448A (ko)
KR (1) KR20220079854A (ko)
CN (1) CN114467097A (ko)
AU (1) AU2020351688A1 (ko)
CA (1) CA3154119C (ko)
FR (1) FR3101463B1 (ko)
WO (1) WO2021058918A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113829339B (zh) * 2021-08-02 2023-09-15 上海大学 基于长短时记忆网络的外骨骼运动协同方法
CN113977557B (zh) * 2021-11-18 2023-03-21 杭州电子科技大学 一种基于运动想象时频空特征的外骨骼机器人控制方法
EP4234177A1 (en) 2022-02-25 2023-08-30 Wandercraft Methods for training a neural network and for using said neural network to stabilize a bipedal robot
CN115755592B (zh) * 2023-01-10 2023-05-12 常熟理工学院 调整三自由度外骨骼运动状态的多模态控制方法及外骨骼

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7153242B2 (en) 2001-05-24 2006-12-26 Amit Goffer Gait-locomotor apparatus
JP5539223B2 (ja) 2007-12-26 2014-07-02 レックス バイオニクス リミテッド 移動補助具
WO2014164804A1 (en) 2013-03-13 2014-10-09 Ekso Bionics, Inc. Gait orthotic system and method for achieving hands-free stability
WO2015140353A2 (fr) 2014-03-21 2015-09-24 Wandercraft Exosquelette comprenant une structure de pied
FR3018681B1 (fr) 2014-03-21 2016-04-15 Wandercraft Exosquelette comprenant une structure de bassin
FR3061653B1 (fr) 2017-01-10 2019-05-31 Wandercraft Procede de mise en mouvement d'un exosquelette

Also Published As

Publication number Publication date
CA3154119C (fr) 2024-03-26
EP4034344B1 (fr) 2024-05-01
WO2021058918A1 (fr) 2021-04-01
FR3101463B1 (fr) 2021-10-22
AU2020351688A1 (en) 2022-04-07
JP2022549448A (ja) 2022-11-25
FR3101463A1 (fr) 2021-04-02
CN114467097A (zh) 2022-05-10
US20220347847A1 (en) 2022-11-03
CA3154119A1 (fr) 2021-04-01
EP4034344A1 (fr) 2022-08-03

Similar Documents

Publication Publication Date Title
KR20220079854A (ko) 신경망의 매개변수 학습하기 위한, 외골격의 궤적 생성하기 위한 및 외골격이 운동하도록 설정하기 위한 방법
JP4587738B2 (ja) ロボット装置及びロボットの姿勢制御方法
Chen et al. Dynamic balance gait for walking assistance exoskeleton
Al-Shuka et al. Modeling, stability and walking pattern generators of biped robots: a review
Albert et al. Analytic path planning algorithms for bipedal robots without a trunk
US20240000648A1 (en) Method for moving an exoskeleton
Otani et al. Generating assistive humanoid motions for co-manipulation tasks with a multi-robot quadratic program controller
Spenneberg et al. Stability of walking in a multilegged robot suffering leg loss
Van der Noot et al. Neuromuscular model achieving speed control and steering with a 3D bipedal walker
Khan et al. A review on gait generation of the biped robot on various terrains
US20230355458A1 (en) Method for moving an exoskeleton
US20230069928A1 (en) Methods for generating a trajectory of an exoskeleton and for setting the exoskeleton in motion
Lee et al. Biped walking pattern generation using reinforcement learning
Vincent et al. User Embodiment Comparison of Semi-Autonomous and Fully-Captured Avatar Movements in Virtual Reality
Ganesan et al. Fall protection framework of lower extremity exoskeleton walking system based on differential motion planning
JP4587699B2 (ja) ロボット装置及びその制御方法
Chen et al. Robust Robot Control for Human-Walking Assistance from Physical Human-Robot Interaction
Mombaur et al. Control of motion and compliance
Wang et al. Online gait generation for an exoskeleton used in lower limb rehabilitation
Roos Design of a direct collocation model predictive control framework for legged locomotion based on whole-body dynamics and explicit contact phases
EP4234177A1 (en) Methods for training a neural network and for using said neural network to stabilize a bipedal robot
Duburcq Learning and Optimization of the Locomotion with an Exoskeleton for Paraplegic People
Liu Walking control for a bipedal model with exoskeleton applications
Roy et al. Walking of Prismatic Knee Biped Robot Using Reinforcement Learning
Ruina Reflex approximation of optimal control for an energy-efficient bipedal walking platform