WO2023075351A1 - 산업용 로봇의 인공지능 학습 방법 - Google Patents

산업용 로봇의 인공지능 학습 방법 Download PDF

Info

Publication number
WO2023075351A1
WO2023075351A1 PCT/KR2022/016324 KR2022016324W WO2023075351A1 WO 2023075351 A1 WO2023075351 A1 WO 2023075351A1 KR 2022016324 W KR2022016324 W KR 2022016324W WO 2023075351 A1 WO2023075351 A1 WO 2023075351A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
target object
industrial robot
performance model
task performance
Prior art date
Application number
PCT/KR2022/016324
Other languages
English (en)
French (fr)
Inventor
김성원
김민규
고후로비치 무스타파예브벡조드
투르수노브안바르존
Original Assignee
(주)바질컴퍼니
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
Priority claimed from KR1020220137194A external-priority patent/KR20230059160A/ko
Application filed by (주)바질컴퍼니 filed Critical (주)바질컴퍼니
Publication of WO2023075351A1 publication Critical patent/WO2023075351A1/ko

Links

Images

Classifications

    • 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
    • G05B19/048—Monitoring; Safety
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L21/0232—Processing in the frequency domain

Definitions

  • the present invention relates to an artificial intelligence learning method for an industrial robot, and more specifically, to a method for constructing a simulation environment based on a work object of the industrial robot and learning a task performance model of the industrial robot based on the simulation environment.
  • Industrial robots are widely used in each field of industry. Industrial robots are designed to perform various tasks such as object movement, anomaly detection, and rough road frequency depending on the field in which the robot is active.
  • Korean Patent Registration No. 2424305 discloses a data image generation and provision method, device, and computer program for generating learning data of an artificial intelligence model.
  • the present disclosure has been made in response to the above-mentioned background technology, and aims to build a simulation environment based on a work target object of an industrial robot and additionally learn a task performance model of the industrial robot based on the simulation environment.
  • the technical problem to be achieved by the present disclosure is not limited to the above-mentioned technical problem, and may include various technical problems within a range apparent to those skilled in the art from the contents to be described below.
  • a method for learning a task performance model of an industrial robot may include constructing a simulation environment based on a work target object of an industrial robot; generating additional learning data of a task performance model of the industrial robot in the simulation environment; The method may further include additionally learning the task performance model based on the additional learning data and updating the task performance model.
  • the step of constructing a simulation environment based on the work object of the industrial robot includes: uploading data on the work object to a cloud system; Uploading environmental data associated with the work target object to the cloud system and constructing a simulation environment based on the data on the work target object and the environment data.
  • the data on the work target object may include point cloud data of the work target object.
  • the task performance model is a reinforcement learning model
  • the additional learning of the task performance model based on the additional learning data includes: state information for reinforcement learning based on the simulation environment. obtaining;
  • the method may include determining a reward for an action of the industrial robot by using the state information based on the simulation environment, and performing reinforcement learning of the task performance model based on the determined reward. .
  • the step of additionally learning the task performance model based on the additional training data includes: performing re-learning of the task performance model when the performance of the additionally learned task performance model is less than a predetermined performance criterion; It may further include steps to do.
  • the step of constructing a simulation environment based on the work target object of the industrial robot may include constructing the simulation environment in conjunction with a monitoring operation for the work target object.
  • the step of constructing the simulation environment in conjunction with the monitoring operation of the work target object may include identifying the work target object by utilizing an object recognition model; and generating a monitoring result based on a result of identifying the work target object.
  • the step of identifying the work target object by using the object recognition model includes: identifying a type of the work target object and a task type of the industrial robot based on the type; It may include the step of determining.
  • the updating of the work performance model may include: determining whether the work target object is a predefined object as an input of the industrial robot based on the monitoring result; If the work target object is an object that is not predefined as an input of the industrial robot, updating the work performance model in a simulation environment based on the work target object and the work target object as an input of the industrial robot In the case of a defined object, maintaining the task performance model may be included.
  • the method may further include performing user feedback based on the monitoring result.
  • the user feedback may include whether or not a work target object exists; Whether the work target object is an object that is not predefined as an input of the industrial robot; Whether or not the task performance model is updated; And it may include the work performance situation.
  • a computer program for performing operations for learning a task performance model of an industrial robot is disclosed.
  • the operations may include: constructing a simulation environment based on the work target object of the industrial robot; generating additional learning data of a task performance model of the industrial robot in the simulation environment; additionally learning the task performance model based on the additional learning data; and updating the task performance model.
  • a computing device capable of performing operations for learning a task performance model of an industrial robot.
  • the computing device includes at least one processor and a memory, and the at least one processor builds a simulation environment based on an object to be operated by the industrial robot, and additionally learns a task performance model of the industrial robot in the simulation environment. It may be configured to generate data, additionally learn the task performance model based on the additional learning data, and update the task performance model.
  • the present disclosure may provide a method for learning a task performance model of an industrial robot.
  • a task performance model of the industrial robot may be additionally learned in the simulation environment by constructing a simulation environment based on a work target object of the industrial robot.
  • FIG. 1 is a block diagram of a computing device for learning a task performance model of an industrial robot according to an embodiment of the present disclosure.
  • FIG. 2 is a schematic diagram showing a network function according to an embodiment of the present disclosure.
  • FIG. 3 is a flowchart illustrating a process of learning a task performance model of an industrial robot according to an embodiment of the present disclosure.
  • FIG. 4 is a flowchart illustrating a process of constructing a simulation environment based on a work target object of an industrial robot and learning a work performance model according to an embodiment of the present disclosure.
  • FIG. 5 is a conceptual diagram illustrating a process of selecting whether to update a work performance model of an industrial robot according to a work target object according to an embodiment of the present disclosure.
  • 6A is a conceptual diagram illustrating a process of pre-processing video data according to an embodiment of the present disclosure.
  • 6B is a conceptual diagram illustrating a process of pre-processing audio data according to an embodiment of the present disclosure.
  • 6C is a conceptual diagram illustrating a process of preprocessing odor data according to an embodiment of the present disclosure.
  • FIG. 7 is a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
  • the present disclosure discloses a method for constructing a simulation environment based on a work target object and additionally learning a work performance model of an industrial robot in the corresponding simulation environment.
  • a component may be, but is not limited to, a procedure, processor, object, thread of execution, program, and/or computer running on a processor.
  • an application running on a computing device and a computing device may be components.
  • One or more components may reside within a processor and/or thread of execution.
  • a component can be localized within a single computer.
  • a component may be distributed between two or more computers. Also, these components can execute from various computer readable media having various data structures stored thereon.
  • Components may be connected, for example, via signals with one or more packets of data (e.g., data and/or signals from one component interacting with another component in a local system, distributed system) to other systems and over a network such as the Internet. data being transmitted) may communicate via local and/or remote processes.
  • packets of data e.g., data and/or signals from one component interacting with another component in a local system, distributed system
  • a network such as the Internet. data being transmitted
  • the term “or” is intended to mean an inclusive “or” rather than an exclusive “or”. That is, unless otherwise specified or clear from the context, “X employs A or B” is intended to mean one of the natural inclusive substitutions. That is, X uses A; X uses B; Or, if X uses both A and B, "X uses either A or B" may apply to either of these cases. Also, the term “and/or” as used herein should be understood to refer to and include all possible combinations of one or more of the listed related items.
  • the task performance model may be an artificial neural network model that performs a task corresponding to the type of object to be tasked. Also, the task performance model may be a reinforcement learning model.
  • the work performance model is a model that enables an industrial robot to perform an operation to pick up an object by analyzing video data obtained by photographing an object with a camera such as a CCTV when an object is used as a work target object.
  • the task performance model identifies a movement path by analyzing data obtained by scanning the surrounding environment, analyzes the energy consumed when moving along the path, and enables the industrial robot to It may be a model that performs an operation of moving along a specific movement path.
  • the model for performing a task may be a model that receives at least one of video data, voice data, and smell data as a task object.
  • the task execution model may be a model that performs an operation of sending an alarm to a user when an abnormality in data is detected.
  • the task performance model of the present disclosure is not limited to the above example, and the task performance model may be appropriately designed to perform corresponding tasks for more types of tasks.
  • FIG. 1 is a block diagram of a computing device for predicting cardiac arrest according to an embodiment of the present disclosure.
  • the configuration of the computing device 100 shown in FIG. 1 is only a simplified example.
  • the computing device 100 may include other components for performing a computing environment of the computing device 100, and only some of the disclosed components may constitute the computing device 100.
  • the computing device 100 may include a processor 110 , a memory 130 , and a network unit 150 .
  • the processor 110 may include one or more cores, and includes a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), and a tensor processing unit (TPU) of a computing device. unit), data analysis, and processors for deep learning.
  • the processor 110 may read a computer program stored in the memory 130 and process data for machine learning according to an embodiment of the present disclosure. According to an embodiment of the present disclosure, the processor 110 may perform an operation for learning a neural network.
  • the processor 110 is used for neural network learning, such as processing input data for learning in deep learning (DL), extracting features from input data, calculating errors, and updating neural network weights using backpropagation. calculations can be performed.
  • DL deep learning
  • At least one of the CPU, GPGPU, and TPU of the processor 110 may process learning of the network function.
  • the CPU and GPGPU can process learning of network functions and data classification using network functions.
  • the learning of a network function and data classification using a network function may be processed by using processors of a plurality of computing devices together.
  • a computer program executed in a computing device according to an embodiment of the present disclosure may be a CPU, GPGPU or TPU executable program.
  • the processor 110 may build a simulation environment based on a work target object.
  • the work target object may be an object, video data, audio data, smell data, or environment data, but the present disclosure includes various types of work target objects other than the exemplified work target object.
  • the processor 110 may perform suitable preprocessing on the work target object according to the type of the work target object in order to build a simulation environment. A detailed method of preprocessing the work target object by the processor 110 will be described later with reference to FIGS. 6A, 6B, and 6C.
  • the simulation environment may refer to an environment in which virtual data is operated, in which a work target model can be additionally trained without input data in a real environment.
  • a work target model can be additionally trained without input data in a real environment.
  • the processor 110 may generate additional learning data of a task performance model of the industrial robot in the simulation environment. A detailed method of generating additional learning data will be described later with reference to FIG. 4 .
  • the processor 110 may establish a simulation environment in conjunction with a monitoring operation for a work target object in constructing the simulation environment. A detailed method of constructing a simulation environment in conjunction with a monitoring operation will be described later with reference to FIG. 5 .
  • the processor 110 may generate a monitoring result through a monitoring operation. After that, the processor 110 may perform user feedback based on the monitoring result.
  • the user feedback may include whether the work target object exists, whether the work target object is an object that is not predefined as an input of the industrial robot, whether the work performance model is updated, and the work performance status.
  • the processor 110 may additionally learn a task performance model of the industrial robot based on the generated additional learning data. While the processor 110 additionally learns the task performance model of the industrial robot, performance verification and re-learning of the model may be performed. Specifically, when the performance of the additionally trained task performance model is less than a predetermined performance criterion, the processor 110 may further train the model by generating additional training data without updating the model.
  • the work performance model of the industrial robot is further learned in a simulation environment or the original model is continuously used, depending on whether the work target object is a predefined object as an input of the industrial robot through a monitoring operation.
  • the task performance model is additionally learned using additional training data in the simulation environment, the performance of the model may be improved by additional learning based on the additional training data generated in the simulation environment. As a result, the performance of the industrial robot may be improved due to the present disclosure.
  • the memory 130 is a flash memory type, a hard disk type, a multimedia card micro type, or a card type memory (eg, SD or XD memory, etc.), RAM (Random Access Memory, RAM), SRAM (Static Random Access Memory), ROM (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory) -Only Memory), a magnetic memory, a magnetic disk, and an optical disk may include at least one type of storage medium.
  • the computing device 100 may operate in relation to a web storage that performs a storage function of the memory 130 on the Internet.
  • the above description of the memory is only an example, and the present disclosure is not limited thereto.
  • the network unit 150 includes a Public Switched Telephone Network (PSTN), x Digital Subscriber Line (xDSL), Rate Adaptive DSL (RADSL), Multi Rate DSL (MDSL), and VDSL ( Various wired communication systems such as Very High Speed DSL), Universal Asymmetric DSL (UADSL), High Bit Rate DSL (HDSL), and Local Area Network (LAN) may be used.
  • PSTN Public Switched Telephone Network
  • xDSL Digital Subscriber Line
  • RADSL Rate Adaptive DSL
  • MDSL Multi Rate DSL
  • VDSL Various wired communication systems such as Very High Speed DSL), Universal Asymmetric DSL (UADSL), High Bit Rate DSL (HDSL), and Local Area Network (LAN) may be used.
  • LAN Local Area Network
  • the network unit 150 presented in this specification includes Code Division Multi Access (CDMA), Time Division Multi Access (TDMA), Frequency Division Multi Access (FDMA), Orthogonal Frequency Division Multi Access (OFDMA), SC-FDMA ( Single Carrier-FDMA) and other systems.
  • 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
  • the network unit 150 may use any type of wired or wireless communication system.
  • FIG. 2 is a schematic diagram showing a network function according to an embodiment of the present disclosure.
  • a neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network includes one or more nodes. Nodes (or neurons) constituting neural networks may be interconnected by one or more links.
  • one or more nodes connected through a link may form a relative relationship of an input node and an output node.
  • the concept of an input node and an output node is relative, and any node in an output node relationship with one node may have an input node relationship with another node, and vice versa.
  • an input node to output node relationship may be created around a link. More than one output node can be connected to one input node through a link, and vice versa.
  • the value of data of the output node may be determined based on data input to the input node.
  • a link interconnecting an input node and an output node may have a weight.
  • the weight may be variable, and may be changed by a user or an algorithm in order to perform a function desired by the neural network. For example, when one or more input nodes are interconnected by respective links to one output node, the output node is set to a link corresponding to values input to input nodes connected to the output node and respective input nodes.
  • An output node value may be determined based on the weight.
  • one or more nodes are interconnected through one or more links to form an input node and output node relationship in the neural network.
  • Characteristics of the neural network may be determined according to the number of nodes and links in the neural network, an association between the nodes and links, and a weight value assigned to each link. For example, when there are two neural networks having the same number of nodes and links and different weight values of the links, the two neural networks may be recognized as different from each other.
  • a neural network may be composed of a set of one or more nodes.
  • a subset of nodes constituting a neural network may constitute a layer.
  • Some of the nodes constituting the neural network may form one layer based on distances from the first input node.
  • a set of nodes having a distance of n from the first input node may constitute n layers.
  • the distance from the first input node may be defined by the minimum number of links that must be passed through to reach the corresponding node from the first input node.
  • the definition of such a layer is arbitrary for explanation, and the order of a layer in a neural network may be defined in a method different from the above.
  • a layer of nodes may be defined by a distance from a final output node.
  • An initial input node may refer to one or more nodes to which data is directly input without going through a link in relation to other nodes among nodes in the neural network.
  • it may mean nodes that do not have other input nodes connected by a link.
  • the final output node may refer to one or more nodes that do not have an output node in relation to other nodes among nodes in the neural network.
  • the hidden node may refer to nodes constituting the neural network other than the first input node and the last output node.
  • the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as the number of nodes progresses from the input layer to the hidden layer.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes of the input layer may be less than the number of nodes of the output layer and the number of nodes decreases as the number of nodes increases from the input layer to the hidden layer. there is.
  • the neural network according to another embodiment of the present disclosure is a neural network in which the number of nodes in the input layer may be greater than the number of nodes in the output layer, and the number of nodes increases as the number of nodes increases from the input layer to the hidden layer.
  • a neural network according to another embodiment of the present disclosure may be a neural network in the form of a combination of the aforementioned neural networks.
  • a deep neural network may refer to a neural network including a plurality of hidden layers in addition to an input layer and an output layer.
  • Deep neural networks can reveal latent structures in data. In other words, it can identify the latent structure of a photo, text, video, sound, or music (e.g., what objects are in the photo, what the content and emotion of the text are, what the content and emotion of the audio are, etc.).
  • Deep neural networks include convolutional neural networks (CNNs), recurrent neural networks (RNNs), auto encoders, generative adversarial networks (GANs), and restricted boltzmann machines (RBMs).
  • Deep neural network a deep belief network (DBN), a Q network, a U network, a Siamese network, a Generative Adversarial Network (GAN), and the like.
  • DBN deep belief network
  • Q Q network
  • U U
  • Siamese Siamese network
  • GAN Generative Adversarial Network
  • the network function may include an autoencoder.
  • An autoencoder may be a type of artificial neural network for outputting output data similar to input data.
  • An auto-encoder may include at least one hidden layer, and an odd number of hidden layers may be disposed between input and output layers. The number of nodes of each layer may be reduced from the number of nodes of the input layer to an intermediate layer called the bottleneck layer (encoding), and then expanded symmetrically with the reduction from the bottleneck layer to the output layer (symmetrical to the input layer).
  • Autoencoders can perform non-linear dimensionality reduction. The number of input layers and output layers may correspond to dimensions after preprocessing of input data.
  • the number of hidden layer nodes included in the encoder may decrease as the distance from the input layer increases. If the number of nodes in the bottleneck layer (the layer with the fewest nodes located between the encoder and decoder) is too small, a sufficient amount of information may not be conveyed, so more than a certain number (e.g., more than half of the input layer, etc.) ) may be maintained.
  • the neural network may be trained using at least one of supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning. Learning of the neural network may be a process of applying knowledge for the neural network to perform a specific operation to the neural network.
  • a neural network can be trained in a way that minimizes output errors.
  • the learning data is repeatedly input into the neural network, the output of the neural network for the training data and the error of the target are calculated, and the error of the neural network is transferred from the output layer of the neural network to the input layer in the direction of reducing the error. It is a process of updating the weight of each node of the neural network by backpropagating in the same direction.
  • the learning data in which the correct answer is labeled is used for each learning data (ie, the labeled learning data), and in the case of comparative teacher learning, the correct answer may not be labeled in each learning data.
  • learning data in the case of teacher learning about data classification may be data in which each learning data is labeled with a category.
  • Labeled training data is input to a neural network, and an error may be calculated by comparing an output (category) of the neural network and a label of the training data.
  • an error may be calculated by comparing input learning data with a neural network output. The calculated error is back-propagated in a reverse direction (ie, from the output layer to the input layer) in the neural network, and the connection weight of each node of each layer of the neural network may be updated according to the back-propagation. The amount of change in the connection weight of each updated node may be determined according to a learning rate.
  • the neural network's computation of input data and backpropagation of errors can constitute a learning cycle (epoch).
  • the learning rate may be applied differently according to the number of iterations of the learning cycle of the neural network. For example, a high learning rate may be used in the early stage of neural network training to increase efficiency by allowing the neural network to quickly obtain a certain level of performance, and a low learning rate may be used in the late stage to increase accuracy.
  • training data can be a subset of real data (ie, data to be processed using the trained neural network), and therefore, errors for training data are reduced, but errors for real data are reduced. There may be incremental learning cycles.
  • Overfitting is a phenomenon in which errors for actual data increase due to excessive learning on training data. For example, a phenomenon in which a neural network that has learned a cat by showing a yellow cat does not recognize that it is a cat when it sees a cat other than yellow may be a type of overfitting. Overfitting can act as a cause of increasing the error of machine learning algorithms.
  • Various optimization methods can be used to prevent such overfitting. To prevent overfitting, methods such as increasing the training data, regularization, inactivating some nodes in the network during learning, and using a batch normalization layer should be applied. can
  • FIG. 3 is a flowchart illustrating a process of learning a task performance model of an industrial robot according to an embodiment of the present disclosure.
  • the process of learning the work performance model of the industrial robot is the step of constructing a simulation environment based on the work target object (S310), the step of generating additional learning data of the work performance model of the industrial robot in the simulation environment ( It may include (S320), additionally learning a task performance model based on the additional learning data (S330), and updating the task performance model (S340).
  • step S310 the processor may build a simulation environment based on the work target object.
  • a detailed method of constructing a simulation environment will be described later with reference to FIG. 4 .
  • step S320 the processor 110 may generate additional learning data of a task performance model of the industrial robot in a simulation environment.
  • the simulation environment since the simulation environment is built to simulate the real environment in which the industrial robot is placed and the actual work target object, the simulation environment can generate virtual learning data for additionally learning the work performance model.
  • the processor 110 may additionally learn a task performance model based on additional learning data. If the task performance model is a reinforcement learning model, the processor 110 may obtain current state information of the task performance model based on the simulation environment. The task performance model performs an action with respect to given additional learning data, and the processor 110 may determine a reward for the action by utilizing state information based on a simulation environment. Based on the determined reward, a task performance model that is a reinforcement learning model may be additionally learned.
  • the processor 110 may update the additionally learned task performance model based on the additional learning data.
  • the update method of the task performance model may be performed by exchanging the current task performance model of the industrial robot with the additionally learned task performance model. Since the exchanged work performance model is a model additionally learned in the simulation environment, when the work performance model is updated, the industrial robot may be operated based on the additionally learned task performance model. As a result, the performance of the industrial robot can be improved by updating to the additionally learned task performance model.
  • FIG. 4 is a flowchart illustrating a process of constructing a simulation environment based on a work target object of an industrial robot and learning a work performance model according to an embodiment of the present disclosure.
  • the process of building a simulation environment based on a work target object of an industrial robot and learning a work performance model includes uploading data on the work target object and environmental data associated with the work target object (S410), Building a simulation environment based on target object data and environment data (S420), learning a task performance model (S430), and determining whether the performance of the task performance model is equal to or greater than a predetermined performance standard (S440). ) may be included.
  • step S410 the processor 110 may upload data on the work target object and environment data associated with the work target object in order to build a simulation environment.
  • the processor 110 may upload data on a work target object to a cloud system.
  • data on the work target object may include point cloud data of the work target object.
  • the processor 110 may also upload environmental data related to the work target object to the same cloud system.
  • the environment data may include information about a space in which an object to be worked is placed.
  • step S420 the processor 110 simulates the real environment in which the industrial robot is placed and the work object, which is a real input, based on the data and environment data for the work object uploaded to the cloud system, thereby creating a model in the virtual data space.
  • a simulation environment can be built for learning to take place.
  • the processor 110 may perform additional learning of the task performance model based on the built simulation environment.
  • the task performance model may include various types of artificial neural network models, and an additional learning method of the task performance model may be supervised learning, unsupervised learning, reinforcement learning, or the like, suitable for the shape of the task performance model. If the task performance model is a reinforcement learning model, the method of additionally learning the task performance model has been described above with reference to FIG. 3 .
  • step S440 the processor 110 may determine whether the performance of the additionally learned task performance model is equal to or greater than a predetermined performance criterion.
  • the task performance model of the industrial robot may be updated. A specific method of updating the task performance model of the industrial robot has been described above with reference to FIG. 3 .
  • the processor 110 may generate additional training data based on the simulation environment and perform additional learning on the task performance model based on the additional training data. .
  • the task performance model when the task performance model is additionally trained in a simulation environment as in the present disclosure, an effect of performing additional learning on the task performance model without stopping the operation of the task performance model occurs.
  • the additional data generated in the simulation environment can be generated at a much lower cost than the additional training data generated in the real environment, the cost of additional training of the task performance model is significantly reduced.
  • FIG. 5 is a conceptual diagram illustrating a process of selecting whether to update a work performance model of an industrial robot according to a work target object according to an embodiment of the present disclosure.
  • the object recognition model 520 may be an artificial neural network model that determines the type of input object and the type of task of the industrial robot.
  • the object recognition model 520 may receive the work target object 510 as an input and generate a monitoring result 530 .
  • the monitoring result 530 may include whether the work target object input to the object recognition model is a non-predefined object.
  • the processor 110 may build a simulation environment 540 and update the task performance model when the task object is an object that is not previously defined as an input of the task performance model with reference to the monitoring result. A detailed method of building a simulation environment and updating a work performance model has been described above with reference to FIG. 4 .
  • the processor 110 may maintain the model without performing additional learning on the work performance model of the industrial robot. If the task object is a predefined object as an input of the task performance model, it is highly likely that the task performance model has already been sufficiently trained on the object. Therefore, when additional learning is performed on a predefined object based on a simulation environment, the performance of the task performance model may be minimal or not at all compared to the time and cost required for additional learning. Therefore, in this case, the entire learning process can be operated efficiently in terms of cost and time by maintaining the original task performance model.
  • the processor 110 determines whether to additionally learn a task performance model based on the monitoring result 530, thereby reducing cost and time consumed in relearning the model.
  • 6A is a conceptual diagram illustrating a process of pre-processing video data according to an embodiment of the present disclosure.
  • the processor 110 may preprocess the input video data 601 through the preprocessing model 600 .
  • the processor 110 may extract key frames from the video data 601 based on the process 610 of extracting the key frames.
  • the key frame may be a frame in which all objects included in the video are determined to be in the center.
  • the processor 110 may analyze the video data 601 based on an object recognition model to extract an object and analyze the location of the object. Thereafter, the processor 110 may select a frame having an object in the center among frames constituting the video data 601 based on a key frame extraction model (not shown) and determine the frame as a key frame.
  • the key frame extraction model may be an artificial neural network model.
  • key frames for training may be manually extracted from video data for training.
  • each object of the extracted key frames may be labeled with bounding box coordinates and a class label for the object.
  • the key frame extraction model can be learned through labeled training video data to detect the position and class of an object as described above.
  • the processor 110 may perform a data cleaning process 620 on key frames extracted from the video data 601 .
  • the processor 110 may remove identical images for the extracted key frames. Also, the processor 110 may remove low-resolution images from key frames. Also, the processor 110 may remove an image having a sharp horizontal or vertical ratio from key frames.
  • the data cleaning method for key frames of the present disclosure is not limited to the above example, and the processor 110 removes an image having a low quality among key frames through a method not included in the above example among key frames. can be identified and eliminated.
  • the processor 110 may go through a data labeling process 630 for using key frames that have gone through a data cleaning process as learning data.
  • Data that is, key frames that have undergone a data cleaning process may be classified according to the characteristics of objects included in each key frame.
  • a class of key frames can then be defined.
  • a bounding box for each object may be created based on detecting objects included in the key frame.
  • a class may be defined for each object included in the key frame.
  • 6B is a conceptual diagram illustrating a process of pre-processing audio data according to an embodiment of the present disclosure.
  • the processor 110 may preprocess the audio data 602 through the preprocessing model 600 . Specifically, the processor 110 may remove the silent part of the audio data. Thereafter, the processor 110 may remove noise from the audio data from which the silent part has been removed. Then, the processor 110 may increase the number of audio data by using an audio augmentation method such as pitch shifting or time-scale modification. Then, the processor 110 divides the entire audio data into small parts for framing, and performs frame smoothing on each frame through a window function. Thereafter, the processor 110 may extract frequency characteristics of the window frame of the audio data based on a Fast Fourier Transform (FFT) algorithm.
  • FFT Fast Fourier Transform
  • the processor 110 After that, the processor 110 generates a log-amplitude spectrum for the audio data by applying a log scale to the extracted frequency feature, and then applies a time and frequency shift algorithm to the generated spectrogram. can increase Then, the processor 110 may generate a class label for the spectrogram generated from each audio data.
  • 6C is a conceptual diagram illustrating a process of preprocessing odor data according to an embodiment of the present disclosure.
  • the processor 110 may preprocess the odor data 603 through the preprocessing model 600 . Specifically, the processor 110 may divide the odor data 603 into frames based on the preprocessing model 600 . Thereafter, the processor 110 may generate a spectrogram by extracting characteristics of the odor data frame based on a Fast Fourier Transform (FFT) algorithm for each frame. The processor 110 may generate a feature map for the spectrogram for each frame and extract shallow features.
  • FFT Fast Fourier Transform
  • Data structure can refer to the organization, management, and storage of data that enables efficient access and modification of data.
  • Data structure may refer to the organization of data to solve a specific problem (eg, data retrieval, data storage, data modification in the shortest time).
  • a data structure may be defined as a physical or logical relationship between data elements designed to support a specific data processing function.
  • a logical relationship between data elements may include a connection relationship between user-defined data elements.
  • a physical relationship between data elements may include an actual relationship between data elements physically stored in a computer-readable storage medium (eg, a persistent storage device).
  • the data structure may specifically include a set of data, a relationship between data, and a function or command applicable to the data.
  • a computing device can perform calculations while using minimal resources of the computing device. Specifically, the computing device can increase the efficiency of operation, reading, insertion, deletion, comparison, exchange, and search through an effectively designed data structure.
  • the data structure can be divided into a linear data structure and a non-linear data structure according to the shape of the data structure.
  • a linear data structure may be a structure in which only one data is connected after one data.
  • Linear data structures may include lists, stacks, queues, and decks.
  • a list may refer to a series of data sets in which order exists internally.
  • the list may include a linked list.
  • a linked list may be a data structure in which data are connected in such a way that each data is connected in a single line with a pointer. In a linked list, a pointer can contain information about connection to the next or previous data.
  • a linked list can be expressed as a singly linked list, a doubly linked list, or a circular linked list depending on the form.
  • a stack can be a data enumeration structure that allows limited access to data.
  • a stack can be a linear data structure in which data can be processed (eg, inserted or deleted) at only one end of the data structure.
  • the data stored in the stack may be a LIFO-Last in First Out (Last in First Out) data structure.
  • a queue is a data listing structure that allows limited access to data, and unlike a stack, it can be a data structure (FIFO-First in First Out) in which data stored later comes out later.
  • a deck can be a data structure that can handle data from either end of the data structure.
  • the nonlinear data structure may be a structure in which a plurality of data are connected after one data.
  • the non-linear data structure may include a graph data structure.
  • a graph data structure can be defined as a vertex and an edge, and an edge can include a line connecting two different vertices.
  • a graph data structure may include a tree data structure.
  • the tree data structure may be a data structure in which one path connects two different vertices among a plurality of vertices included in the tree. That is, it may be a data structure that does not form a loop in a graph data structure.
  • the data structure may include a neural network.
  • the data structure including the neural network may be stored in a computer readable medium.
  • the data structure including the neural network may also include preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation function associated with each node or layer of the neural network, and neural network It may include a loss function for learning of .
  • a data structure including a neural network may include any of the components described above.
  • the data structure including the neural network includes preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation function associated with each node or layer of the neural network, and neural network. It may be configured to include all or any combination thereof, such as a loss function for learning of .
  • the data structure comprising the neural network may include any other information that determines the characteristics of the neural network.
  • the data structure may include all types of data used or generated in the computational process of the neural network, but is not limited to the above.
  • a computer readable medium may include a computer readable recording medium and/or a computer readable transmission medium.
  • a neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network includes one or more nodes.
  • the data structure may include data input to the neural network.
  • a data structure including data input to the neural network may be stored in a computer readable medium.
  • Data input to the neural network may include training data input during a neural network learning process and/or input data input to a neural network that has been trained.
  • Data input to the neural network may include pre-processed data and/or data subject to pre-processing.
  • Pre-processing may include a data processing process for inputting data to a neural network.
  • the data structure may include data subject to pre-processing and data generated by pre-processing.
  • the data structure may include the weights of the neural network.
  • weights and parameters may be used in the same meaning.
  • a data structure including weights of a neural network may be stored in a computer readable medium.
  • a neural network may include a plurality of weights.
  • the weight may be variable, and may be changed by a user or an algorithm in order to perform a function desired by the neural network. For example, when one or more input nodes are interconnected by respective links to one output node, the output node is set to a link corresponding to values input to input nodes connected to the output node and respective input nodes.
  • a data value output from an output node may be determined based on the weight.
  • the weights may include weights that are varied during neural network training and/or weights for which neural network training has been completed.
  • the variable weight in the neural network learning process may include a weight at the time the learning cycle starts and/or a variable weight during the learning cycle.
  • the weights for which neural network learning has been completed may include weights for which learning cycles have been completed.
  • the data structure including the weights of the neural network may include a data structure including weights that are variable during the neural network learning process and/or weights for which neural network learning is completed. Therefore, it is assumed that the above-described weights and/or combinations of weights are included in the data structure including the weights of the neural network.
  • the foregoing data structure is only an example, and the present disclosure is not limited thereto.
  • the data structure including the weights of the neural network may be stored in a computer readable storage medium (eg, a memory or a hard disk) after going through a serialization process.
  • Serialization can be the process of converting a data structure into a form that can be stored on the same or another computing device and later reconstructed and used.
  • a computing device may serialize data structures to transmit and receive data over a network.
  • the data structure including the weights of the serialized neural network may be reconstructed on the same computing device or another computing device through deserialization.
  • the data structure including the weights of the neural network is not limited to serialization.
  • the data structure including the weights of the neural network is a data structure for increasing the efficiency of operation while minimizing the resource of the computing device (for example, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree).
  • the resource of the computing device for example, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree.
  • the data structure may include hyper-parameters of the neural network.
  • the data structure including the hyperparameters of the neural network may be stored in a computer readable medium.
  • a hyperparameter may be a variable variable by a user. Hyperparameters include, for example, learning rate, cost function, number of learning cycle iterations, weight initialization (eg, setting the range of weight values to be targeted for weight initialization), hidden unit number (eg, the number of hidden layers and the number of nodes in the hidden layer).
  • weight initialization eg, setting the range of weight values to be targeted for weight initialization
  • hidden unit number eg, the number of hidden layers and the number of nodes in the hidden layer.
  • FIG. 7 is a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
  • program modules include routines, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types.
  • methods of the present disclosure can be applied to single-processor or multiprocessor computer systems, minicomputers, mainframe computers as well as personal computers, handheld computing devices, microprocessor-based or programmable consumer electronics, and the like ( It will be appreciated that each of these may be implemented with other computer system configurations, including those that may be operative in connection with one or more associated devices.
  • the described embodiments of the present disclosure may also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications network.
  • program modules may be located in both local and remote memory storage devices.
  • Computers typically include a variety of computer readable media.
  • Computer readable media can be any medium that can be accessed by a computer, including volatile and nonvolatile media, transitory and non-transitory media, removable and non-transitory media. Includes removable media.
  • Computer readable media may include computer readable storage media and computer readable transmission media.
  • Computer readable storage media are volatile and nonvolatile media, transitory and non-transitory, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.
  • Computer readable storage media may include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage device, magnetic cassette, magnetic tape, magnetic disk storage device or other magnetic storage device. device, or any other medium that can be accessed by a computer and used to store desired information.
  • a computer readable transmission medium typically embodies computer readable instructions, data structures, program modules or other data in a modulated data signal such as a carrier wave or other transport mechanism. Including all information delivery media.
  • modulated data signal means a signal that has one or more of its characteristics set or changed so as to encode information within the signal.
  • computer readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above are also intended to be included within the scope of computer readable transmission media.
  • System bus 1108 couples system components, including but not limited to system memory 1106 , to processing unit 1104 .
  • Processing unit 1104 may be any of a variety of commercially available processors. Dual processor and other multiprocessor architectures may also be used as the processing unit 1104.
  • System bus 1108 may be any of several types of bus structures that may additionally be interconnected to a memory bus, a peripheral bus, and a local bus using any of a variety of commercial bus architectures.
  • System memory 1106 includes read only memory (ROM) 1110 and random access memory (RAM) 1112 .
  • ROM read only memory
  • RAM random access memory
  • a basic input/output system (BIOS) is stored in non-volatile memory 1110, such as ROM, EPROM, or EEPROM, and is a basic set of information that helps transfer information between components within computer 1102, such as during startup. contains routines.
  • RAM 1112 may also include high-speed RAM, such as static RAM, for caching data.
  • the computer 1102 may also include an internal hard disk drive (HDD) 1114 (eg, EIDE, SATA) - the internal hard disk drive 1114 may also be configured for external use within a suitable chassis (not shown).
  • HDD hard disk drive
  • FDD magnetic floppy disk drive
  • optical disk drive 1120 e.g., a CD-ROM
  • the hard disk drive 1114, magnetic disk drive 1116, and optical disk drive 1120 are connected to the system bus 1108 by a hard disk drive interface 1124, magnetic disk drive interface 1126, and optical drive interface 1128, respectively.
  • the interface 1124 for external drive implementation includes at least one or both of USB (Universal Serial Bus) and IEEE 1394 interface technologies.
  • drives and their associated computer readable media provide non-volatile storage of data, data structures, computer executable instructions, and the like.
  • drives and media correspond to storing any data in a suitable digital format.
  • computer readable media refers to HDDs, removable magnetic disks, and removable optical media such as CDs or DVDs, those skilled in the art can use zip drives, magnetic cassettes, flash memory cards, cartridges, etc. It will be appreciated that other tangible media readable by the computer, such as the like, may also be used in the exemplary operating environment and any such media may include computer executable instructions for performing the methods of the present disclosure.
  • a number of program modules may be stored on the drive and RAM 1112, including an operating system 1130, one or more application programs 1132, other program modules 1134, and program data 1136. All or portions of the operating system, applications, modules and/or data may also be cached in RAM 1112. It will be appreciated that the present disclosure may be implemented in a variety of commercially available operating systems or combinations of operating systems.
  • a user may enter commands and information into the computer 1102 through one or more wired/wireless input devices, such as a keyboard 1138 and a pointing device such as a mouse 1140.
  • Other input devices may include a microphone, IR remote control, joystick, game pad, stylus pen, touch screen, and the like.
  • an input device interface 1142 that is connected to the system bus 1108, a parallel port, IEEE 1394 serial port, game port, USB port, IR interface, may be connected by other interfaces such as the like.
  • a monitor 1144 or other type of display device is also connected to the system bus 1108 through an interface such as a video adapter 1146.
  • computers typically include other peripheral output devices (not shown) such as speakers, printers, and the like.
  • Computer 1102 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148 via wired and/or wireless communications.
  • Remote computer(s) 1148 may be a workstation, computing device computer, router, personal computer, handheld computer, microprocessor-based entertainment device, peer device, or other common network node, and generally includes It includes many or all of the components described for, but for simplicity, only memory storage device 1150 is shown.
  • the logical connections shown include wired/wireless connections to a local area network (LAN) 1152 and/or a larger network, such as a wide area network (WAN) 1154 .
  • LAN and WAN networking environments are common in offices and corporations and facilitate enterprise-wide computer networks, such as intranets, all of which can be connected to worldwide computer networks, such as the Internet.
  • computer 1102 When used in a LAN networking environment, computer 1102 connects to local network 1152 through wired and/or wireless communication network interfaces or adapters 1156. Adapter 1156 may facilitate wired or wireless communications to LAN 1152, which also includes a wireless access point installed therein to communicate with wireless adapter 1156.
  • computer 1102 When used in a WAN networking environment, computer 1102 may include a modem 1158, be connected to a communicating computing device on WAN 1154, or establish communications over WAN 1154, such as over the Internet. have other means.
  • a modem 1158 which may be internal or external and a wired or wireless device, is connected to the system bus 1108 through a serial port interface 1142.
  • program modules described for computer 1102, or portions thereof may be stored on remote memory/storage device 1150. It will be appreciated that the network connections shown are exemplary and other means of establishing a communication link between computers may be used.
  • Computer 1102 is any wireless device or entity that is deployed and operating in wireless communication, eg, printers, scanners, desktop and/or portable computers, portable data assistants (PDAs), communication satellites, wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • wireless communication eg, printers, scanners, desktop and/or portable computers, portable data assistants (PDAs), communication satellites, wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • PDAs portable data assistants
  • communication satellites e.g., a wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • the communication may be a predefined structure as in conventional networks or simply an ad hoc communication between at least two devices.
  • Wi-Fi Wireless Fidelity
  • Wi-Fi is a wireless technology, such as a cell phone, that allows such devices, eg, computers, to transmit and receive data both indoors and outdoors, i.e. anywhere within coverage of a base station.
  • Wi-Fi networks use a radio technology called IEEE 802.11 (a, b, g, etc.) to provide secure, reliable, and high-speed wireless connections.
  • Wi-Fi can be used to connect computers to each other, to the Internet, and to wired networks (using IEEE 802.3 or Ethernet).
  • Wi-Fi networks can operate in the unlicensed 2.4 and 5 GHz radio bands, for example at 11 Mbps (802.11a) or 54 Mbps (802.11b) data rates, or in products that include both bands (dual band) .
  • Various embodiments presented herein may be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques.
  • article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device.
  • computer-readable storage media include magnetic storage devices (eg, hard disks, floppy disks, magnetic strips, etc.), optical disks (eg, CDs, DVDs, etc.), smart cards, and flash memory devices (eg, EEPROM, cards, sticks, key drives, etc.), but are not limited thereto.
  • various storage media presented herein include one or more devices and/or other machine-readable media for storing information.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manipulator (AREA)

Abstract

본 개시의 일 실시예에 따라 산업용 로봇의 작업 수행 모델을 학습시키기 위한 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하고, 상기 시뮬레이션 환경에서 상기 산업용 로봇의 작업 수행 모델의 추가 학습 데이터를 생성하고, 상기 추가 학습 데이터를 기초로, 상기 작업 수행 모델을 추가 학습시키고, 상기 작업 수행 모델을 업데이트한다.

Description

산업용 로봇의 인공지능 학습 방법
본 발명은 산업용 로봇의 인공지능 학습 방법 관한 것으로, 구체적으로 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하고, 시뮬레이션 환경을 기초로 산업용 로봇의 작업 수행 모델을 학습시키는 방법에 관한 것이다.
현재 산업의 각 분야에서 산업용 로봇이 널리 활용되고 있다. 산업용 로봇들은 로봇이 활동하는 분야에 따라 객체 이동, 이상 감지, 험로 주파 등 다양한 작업(task)를 수행하도록 설계된다.
딥 러닝 등 기계학습 기술의 발달로, 일부 산업용 로봇은 학습된 인공 신경망 모델을 탑재하고 운용된다. 인공 신경망 모델을 기반으로 산업용 로봇을 운용하는 것은 단순 알고리즘을 기반으로 운용하는 것과 대비하여 그 정확도가 높은 장점이 있다.
그러나 인공 신경망 모델을 운용하는 경우, 인공 신경망 모델이 미리 학습하지 않은 유형의 데이터가 입력된다면 해당 모델은 잘못된 출력을 낼 가능성이 높다. 이를 방지하기 위해서는 산업용 로봇의 현재 상태를 파악하고 그에 맞추어 모델을 추가로 재학습시키는 것이 필요하나, 종래의 인공 신경망 모델에서는 추가적인 학습 데이터를 마련하는 데 소모되는 비용의 문제, 재학습을 위해 모델의 운행을 중단해야 하는 문제 등이 발생하였다.
따라서, 산업용 로봇의 운행을 중단하지 않고, 산업용 로봇의 인공 신경망 모델을 적절하게 훈련시키는 방법에 대한 당업계의 수요가 존재한다.
한국 등록특허 제2424305호는 인공지능 모델의 학습 데이터 생성을 위한 데이터 영상 생성 및 제공방법, 장치 및 컴퓨터 프로그램에 대해 개시하고 있다.
본 개시는 전술한 배경 기술에 대응하여 안출된 것으로, 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하고, 시뮬레이션 환경을 기초로 산업용 로봇의 작업 수행 모델을 추가 학습시키는 것을 목적으로 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 바와 같은 과제를 실현하기 위한 본 개시의 실시예에 따라, 산업용 로봇의 작업 수행 모델을 학습시키기 위한 방법이 개시된다. 상기 방법은, 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하는 단계; 상기 시뮬레이션 환경에서 상기 산업용 로봇의 작업 수행 모델의 추가 학습 데이터를 생성하는 단계; 상기 추가 학습 데이터를 기초로, 상기 작업 수행 모델을 추가 학습시키는 단계 및 상기 작업 수행 모델을 업데이트하는 단계를 포함할 수 있다.
일 실시예에서, 상기 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하는 단계는: 상기 작업 대상 객체에 대한 데이터를 클라우드 시스템(cloud system)에 업로드하는 단계; 상기 작업 대상 객체와 연관된 환경 데이터를 상기 클라우드 시스템에 업로드하는 단계 및 상기 작업 대상 객체에 대한 데이터 및 상기 환경 데이터를 기초로 시뮬레이션 환경을 구축하는 단계를 포함한다.
일 실시예에서, 상기 작업 대상 객체에 대한 데이터는, 상기 작업 대상 객체의 포인트 클라우드(point cloud) 데이터를 포함할 수 있다.
일 실시예에서, 상기 작업 수행 모델은 강화학습 모델이고, 상기 추가 학습 데이터를 기초로, 상기 작업 수행 모델을 추가 학습시키는 단계는: 상기 시뮬레이션 환경에 기초하여 강화학습을 위한 상태(state) 정보를 획득하는 단계; 상기 시뮬레이션 환경에 기초한 상기 상태 정보를 활용하여, 상기 산업용 로봇의 행동(action)에 대한 보상을 결정하는 단계 및 상기 결정된 보상에 기초하여 상기 작업 수행 모델의 강화학습을 수행하는 단계를 포함할 수 있다.
일 실시예에서, 상기 추가 학습 데이터를 기초로, 상기 작업 수행 모델을 추가 학습시키는 단계는: 상기 추가 학습된 작업 수행 모델의 성능이 사전 결정된 성능 기준 미만인 경우, 상기 작업 수행 모델의 재학습을 수행하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하는 단계는, 상기 작업 대상 객체에 대한 모니터링 동작과 연동하여 상기 시뮬레이션 환경을 구축하는 단계를 포함할 수 있다.
일 실시예에서, 상기 작업 대상 객체에 대한 모니터링 동작과 연동하여 상기 시뮬레이션 환경을 구축하는 단계는, 객체 인식 모델을 활용하여 상기 작업 대상 객체를 식별하는 단계; 및 상기 작업 대상 객체를 식별한 결과를 기초로 모니터링 결과를 생성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 객체 인식 모델을 활용하여 작업 대상 객체를 식별하는 단계는: 상기 작업 대상 객체의 타입(type)을 식별하는 단계 및 상기 타입을 기초로, 상기 산업용 로봇의 작업(task) 종류를 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 작업 수행 모델을 업데이트하는 단계는: 상기 모니터링 결과에 기초하여, 상기 작업 대상 객체가 상기 산업용 로봇의 입력으로 사전 정의된 객체인지 여부를 판단하는 단계; 상기 작업 대상 객체가 상기 산업용 로봇의 입력으로 사전 정의되지 않은 객체인 경우, 상기 작업 대상 객체를 기초로 시뮬레이션 환경에서 상기 작업 수행 모델을 업데이트하는 단계 및 상기 작업 대상 객체가 상기 산업용 로봇의 입력으로 사전 정의된 객체인 경우, 상기 작업 수행 모델을 유지하는 단계를 포함할 수 있다.
일 실시예에서, 상기 방법은 상기 모니터링 결과를 기초로 사용자 피드백을 수행하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 사용자 피드백은, 작업 대상 객체의 존재 여부; 상기 작업 대상 객체가 상기 산업용 로봇의 입력으로 사전 정의되지 않은 객체인지 여부; 상기 작업 수행 모델의 업데이트 여부; 및 상기 작업 수행 상황을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 실시예에 따라, 산업용 로봇의 작업 수행 모델을 학습시키기 위한 동작들을 수행하도록 하는 컴퓨터 프로그램이 개시된다. 상기 동작들은: 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하는 동작; 상기 시뮬레이션 환경에서 상기 산업용 로봇의 작업 수행 모델의 추가 학습 데이터를 생성하는 동작; 상기 추가 학습 데이터를 기초로, 상기 작업 수행 모델을 추가 학습시키는 동작; 및 상기 작업 수행 모델을 업데이트하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 실시예에 따라, 산업용 로봇의 작업 수행 모델을 학습시키기 위한 동작들을 수행하도록 하는 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 적어도 하나의 프로세서 및 메모리를 포함하고, 상기 적어도 하나의 프로세서는, 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하고, 상기 시뮬레이션 환경에서 상기 산업용 로봇의 작업 수행 모델의 추가 학습 데이터를 생성하고, 상기 추가 학습 데이터를 기초로, 상기 작업 수행 모델을 추가 학습시키고, 그리고 상기 작업 수행 모델을 업데이트하도록 구성될 수 있다.
본 개시는 산업용 로봇의 작업 수행 모델을 학습시키기 위한 방법을 제공할 수 있다. 예를 들어, 본 개시는, 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하여 산업용 로봇의 작업 수행 모델을 시뮬레이션 환경에서 추가 학습시킬 수 있다.
도 1은 본 개시의 일 실시예에 따른 산업용 로봇의 작업 수행 모델을 학습시키기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 산업용 로봇의 작업 수행 모델을 학습시키는 과정을 나타낸 순서도이다.
도 4는 본 개시의 일 실시예에 따른 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하고 작업 수행 모델을 학습시키는 과정을 나타낸 순서도이다.
도 5는 본 개시의 일 실시예에 따른 작업 대상 객체에 따라 산업용 로봇의 작업 수행 모델 업데이트 여부를 선택하는 과정을 나타낸 개념도이다.
도 6a는 본 개시의 일 실시예에 따른 비디오 데이터를 전처리하는 과정을 나타낸 개념도이다.
도 6b는 본 개시의 일 실시예에 따른 오디오 데이터를 전처리하는 과정을 나타낸 개념도이다.
도 6c는 본 개시의 일 실시예에 따른 냄새 데이터를 전처리하는 과정을 나타낸 개념도이다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시는 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하고 산업용 로봇의 작업 수행 모델을 해당 시뮬레이션 환경에서 추가적으로 학습시키는 방법에 대해 개시한다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 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 명세서에 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 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B만을 포함하는 경우”, “A 와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.
당업자들은 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.
본 개시에서 작업 수행 모델은 작업 대상 객체의 타입(type)에 따라 그에 부합하는 작업을 수행하는 인공 신경망 모델일 수 있다. 또한, 작업 수행 모델은 강화 학습 모델일 수 있다.
작업 수행 모델의 구체적인 예시로, 작업 수행 모델은 사물을 작업 대상 객체로 하는 경우, CCTV등 카메라로 사물을 촬영하여 얻어진 비디오 데이터를 분석함으로써, 산업용 로봇으로 하여금 사물을 집는 동작을 수행하도록 하는 모델일 수 있다.
또 다른 예시로서, 작업 수행용 모델은 주변 환경을 스캔하여 얻어진 데이터를 분석하여 이동 경로를 파악하고, 경로를 따라 이동하는 경우 소모되는 에너지를 분석함으로써, 산업용 로봇의 에너지가 충분한 경우 산업용 로봇으로 하여금 특정 이동 경로를 따라 이동하는 동작을 수행하도록 하는 모델일 수 있다.
또 다른 예시로서, 작업 수행용 모델은 비디오 데이터, 음성 데이터, 냄새 데이터 중 적어도 하나를 작업 대상 객체로서 입력받는 모델일 수 있다. 이 경우 작업 수행용 모델은 데이터의 이상이 감지된 경우 사용자에게 알람을 전송하는 동작을 수행하는 모델일 수 있다.
그러나 본 개시의 작업 수행 모델은 위의 예시에 한정하지 아니하고, 더 많은 종류의 작업에 대하여 해당 작업을 수행하도록 작업 수행 모델이 적절하게 설계될 수 있다.
도 1은 본 개시의 일 실시예에 따른 심정지를 예측하기 위한 컴퓨팅 장치의 블록 구성도이다.
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 신경망의 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 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.
프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 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, 프로세서(110)는 작업 대상 객체를 기초로 시뮬레이션 환경을 구축할 수 있다. 이 때 작업 대상 객체는 사물, 비디오 데이터, 오디오 데이터, 냄새 데이터, 환경 데이터일 수 있으나, 본 개시는 예시로 든 작업 대상 객체 이외에도 다양한 종류의 작업 대상 객체를 포함한다.
프로세서(110)는 시뮬레이션 환경을 구축하기 위해 작업 대상 객체에 작업 대상 객체의 타입(type)에 따라 적합한 전처리를 수행할 수 있다. 프로세서(110)가 작업 대상 객체를 전처리하는 구체적인 방법은 도 6a, 6b, 6c를 참조하여 후술한다.
이때 시뮬레이션 환경은 실제 환경에서의 입력 데이터 없이도 작업 대상 모델을 추가로 학습시킬 수 있는, 가상의 데이터가 운용되는 환경을 의미할 수 있다. 시뮬레이션 환경을 구축하는 구체적인 설명은 도 4를 참조하여 후술한다.
프로세서(110)는 상기 시뮬레이션 환경에서 산업용 로봇의 작업 수행 모델의 추가 학습 데이터를 생성할 수 있다. 추가 학습 데이터를 생성하는 구체적인 방법은 도 4를 참조하여 후술한다.
또한, 프로세서(110)는 시뮬레이션 환경을 구축함에 있어 작업 대상 객체에 대한 모니터링 동작과 연동하여 시뮬레이션 환경을 구축할 수 있다. 모니터링 동작과 연동하여 시뮬레이션 환경을 구축하는 구체적인 방법은 도 5를 참조하여 후술한다.
프로세서(110)는 모니터링 동작을 통해 모니터링 결과를 생성할 수 있다. 그 후, 프로세서(110)는 모니터링 결과를 기초로, 사용자 피드백을 수행할 수 있다. 이 때, 사용자 피드백은, 작업 대상 객체의 존재 여부, 작업 대상 객체가 산업용 로봇의 입력으로 사전 정의되지 않은 객체인지 여부, 작업 수행 모델의 업데이트 여부, 작업 수행 상황을 포함할 수 있다.
프로세서(110)는 생성된 추가 학습 데이터를 기초로, 산업용 로봇의 작업 수행 모델을 추가 학습시킬 수 있다. 프로세서(110)가 산업용 로봇의 작업 수행 모델을 추가 학습시키는 과정에서, 모델의 성능 검증 및 재학습이 이루어질 수 있다. 구체적으로, 프로세서(110)는 추가 학습된 작업 수행 모델의 성능이 사전 결정된 성능 기준 미만인 경우, 모델을 업데이트하지 않고 추가적인 학습 데이터를 더 생성하여 모델을 더 학습시킬 수 있다.
본 개시에서는 모니터링 동작을 통해 작업 대상 객체가 산업용 로봇의 입력으로 사전 정의된 객체인지 여부에 따라, 산업용 로봇의 작업 수행 모델을 시뮬레이션 환경에서 더 학습시키거나 원래의 모델을 계속 사용한다. 작업 수행 모델이 시뮬레이션 환경에서 추가 학습 데이터를 이용하여 추가 학습되는 경우, 해당 작업 수행 모델은 시뮬레이션 환경에서 생성된 추가 학습 데이터를 기초로 추가 학습되어 모델의 성능이 높아질 수 있다. 결과적으로, 본 개시로 인하여 산업용 로봇의 성능이 높아질 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 명세서에서 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 임의의 형태의 유무선 통신 시스템을 사용할 수 있다.
본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 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, 신경망이 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, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 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. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 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 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 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 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 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 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 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 신경망의 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 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 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. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어 있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 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.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신 러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 3은 본 개시의 일 실시예에 따른 산업용 로봇의 작업 수행 모델을 학습시키는 과정을 나타낸 순서도이다.
본 개시에 의하면, 산업용 로봇의 작업 수행 모델을 학습시키는 과정을 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하는 단계(S310), 시뮬레이션 환경에서 산업용 로봇의 작업 수행 모델의 추가 학습 데이터를 생성하는 단계(S320), 추가 학습 데이터를 기초로, 작업 수행 모델을 추가 학습시키는 단계(S330), 작업 수행 모델을 업데이트하는 단계(S340)을 포함할 수 있다.
S310단계에서, 프로세서는 작업 대상 객체를 기초로 시뮬레이션 환경을 구축할 수 있다. 시뮬레이션 환경을 구축하는 구체적인 방법은 도 4를 참조하여 후술한다.
S320단계에서, 프로세서(110)는 시뮬레이션 환경에서 산업용 로봇의 작업 수행 모델의 추가 학습 데이터를 생성할 수 있다. S310단계에서 시뮬레이션 환경은 산업용 로봇이 놓인 실제 환경 및 실제 작업 대상 객체를 모사할 수 있도록 구축되었으므로, 시뮬레이션 환경은 작업 수행 모델을 추가적으로 학습시키기 위한 가상의 학습 데이터를 생성할 수 있다.
S330단계에서, 프로세서(110)는 추가 학습 데이터를 기초로 작업 수행 모델을 추가 학습시킬 수 있다. 작업 수행 모델이 강화 학습 모델인 경우, 프로세서(110)는 시뮬레이션 환경에 기초하여 작업 수행 모델의 현재 상태(state) 정보를 획득할 수 있다. 작업 수행 모델은 주어진 추가 학습 데이터에 대하여 행동(action)을 수행하고, 프로세서(110)는 시뮬레이션 환경에 기초한 상태 정보를 활용하여, 행동에 대한 보상(reward)을 결정할 수 있다. 그리고 결정된 보상에 기초하여, 강화 학습 모델인 작업 수행 모델이 추가적으로 학습될 수 있다.
S340단계에서, 프로세서(110)는 추가 학습 데이터를 기초로 추가 학습된 작업 수행 모델을 업데이트할 수 있다. 작업 수행 모델의 업데이트 방법은, 산업용 로봇의 현재 작업 수행 모델을 추가 학습된 작업 수행 모델로 교환하는 방식으로 이루어질 수 있다. 교환된 작업 수행 모델은 시뮬레이션 환경에서 추가 학습된 모델이므로, 작업 수행 모델이 업데이트된 경우 산업용 로봇은 추가 학습된 작업 수행 모델을 기초로 운용될 수 있다. 결과적으로 추가 학습된 작업 수행 모델로 업데이트함으로써 산업용 로봇의 성능이 높아질 수 있다.
도 4는 본 개시의 일 실시예에 따른 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하고 작업 수행 모델을 학습시키는 과정을 나타낸 순서도이다.
도 4에 의하면, 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하고 작업 수행 모델을 학습시키는 과정은 작업 대상 객체에 대한 데이터 및 작업 대상 객체와 연관된 환경 데이터를 업로드하는 단계(S410), 작업 대상 객체에 대한 데이터 및 환경 데이터를 기초로 시뮬레이션 환경 구축하는 단계(S420), 작업 수행 모델을 학습시키는 단계(S430), 작업 수행 모델의 성능이 사전 결정된 성능 기준 이상인지 여부를 판별하는 단계(S440)을 포함할 수 있다.
S410단계에서, 프로세서(110)는 시뮬레이션 환경을 구축하기 위해 작업 대상 객체에 대한 데이터 및 작업 대상 객체와 연관된 환경 데이터를 업로드할 수 있다.
구체적으로, 시뮬레이션 환경을 구축하기 위해 프로세서(110)는 작업 대상 객체에 대한 데이터를 클라우드 시스템(cloud system)에 업로드할 수 있다. 이 때 작업 대상 객체가 3차원 사물일 경우, 작업 대상 객체에 대한 데이터는 작업 대상 객체의 포인트 클라우드 데이터를 포함할 수 있다.
또한 프로세서(110)는 작업 대상 객체와 연관된 환경 데이터 또한 같은 클라우드 시스템에 업로드할 수 있다. 예를 들어, 환경 데이터는 작업 대상 객체가 놓여 있는 공간에 대한 정보를 포함할 수 있다.
S420단계에서, 프로세서(110)는 클라우드 시스템에 업로드 된 작업 대상 객체에 대한 데이터 및 환경 데이터를 기초로, 산업용 로봇이 놓인 실제 환경 및 실제 입력인 작업 대상 객체를 모사함으로써 가상의 데이터 공간에서 모델의 학습이 이루어질 수 있도록 시뮬레이션 환경을 구축할 수 있다.
S430단계에서, 프로세서(110)는 구축된 시뮬레이션 환경을 기초로 작업 수행 모델의 추가 학습을 수행할 수 있다. 작업 수행 모델은 다양한 형태의 인공 신경망 모델을 포함할 수 있으며, 작업 수행 모델의 추가 학습 방법은 작업 수행 모델의 형태에 부합하는 지도학습, 비지도학습, 강화학습 등의 방법일 수 있다. 작업 수행 모델이 강화 학습 모델인 경우 작업 수행 모델을 추가 학습시키는 방법은 도 3을 통하여 전술하였다.
S440단계에서, 프로세서(110)는 추가로 학습된 작업 수행 모델의 성능이 사전 결정된 성능 기준 이상인지 여부를 판별할 수 있다. 추가로 학습된 작업 수행 모델의 성능이 사전 결정된 성능 기준 이상으로 판별된 경우, 산업용 로봇의 작업 수행 모델이 업데이트될 수 있다. 산업용 로봇의 작업 수행 모델을 업데이트하는 구체적인 방법은 도 3을 통해 전술하였다. 작업 수행 모델의 성능이 사전 결정된 성능 기준을 만족하지 못하는 경우, 프로세서(110)는 시뮬레이션 환경을 기초로 추가적인 학습 데이터를 생성하고, 추가적인 학습 데이터를 기초로 작업 수행 모델에 추가적인 학습을 수행할 수 있다.
이상에서 살펴본 바, 본 개시와 같이 시뮬레이션 환경에서 작업 수행 모델을 추가로 학습시키는 경우, 작업 수행 모델의 동작을 중단시키는 일 없이 작업 수행 모델에 대한 추가 학습을 수행할 수 있는 효과가 발생한다. 더불어 시뮬레이션 환경에서 생성된 추가 데이터는 실제 환경에서 생성된 추가 학습 데이터보다 훨씬 적은 비용으로 생성할 수 있으므로, 작업 수행 모델의 추가 학습에 소모되는 비용이 현저하게 절감되는 효과 또한 발생한다.
도 5는 본 개시의 일 실시예에 따른 작업 대상 객체에 따라 산업용 로봇의 작업 수행 모델 업데이트 여부를 선택하는 과정을 나타낸 개념도이다.
객체 인식 모델(520)은 입력된 객체의 타입 및 산업용 로봇의 작업(task) 종류를 결정하는 인공 신경망 모델일 수 있다. 객체 인식 모델(520)은 작업 대상 객체(510)을 입력으로 받아, 모니터링 결과(530)을 생성할 수 있다.
모니터링 결과(530)는 객체 인식 모델에 입력된 작업 대상 객체가 사전 정의되지 않은 객체인지 여부를 포함할 수 있다. 이 때, 프로세서(110)는 모니터링 결과를 참조하여 작업 대상 객체가 작업 수행 모델의 입력으로서 사전 정의되지 않는 객체인 경우, 시뮬레이션 환경(540)을 구축하고 작업 수행 모델을 업데이트할 수 있다. 시뮬레이션 환경을 구축하고 작업 수행 모델을 업데이트하는 구체적인 방법은 도 4를 참조하여 전술하였다.
프로세서(110)는 모니터링 결과를 참조하여 작업 대상 객체가 작업 수행 모델의 입력으로서 사전 정의된 객체인 경우, 산업용 로봇의 작업 수행 모델에 추가적인 학습을 수행하지 않고 모델을 유지할 수 있다. 작업 대상 객체가 작업 수행 모델의 입력으로서 사전 정의된 객체인 경우, 작업 수행 모델은 해당 객체에 대해 이미 충분한 학습이 이루어졌을 가능성이 높다. 따라서 사전 정의된 객체에 대해서 시뮬레이션 환경을 기초로 추가 학습을 하는 경우, 추가 학습에 소요되는 시간 및 비용에 비해서 작업 수행 모델의 성능 향상이 미미하거나 아예 없을 수 있다. 따라서 이 경우에는 원래의 작업 수행 모델을 유지함으로써 비용과 시간 면에서 전체 학습 과정을 효율적으로 운용할 수 있다.
결과적으로 본 개시와 같이 모니터링 결과(530)를 기초로 프로세서(110)가 작업 수행 모델의 추가 학습 여부를 결정함으로써, 모델의 재학습에 소모되는 비용 및 시간을 절감하는 효과가 발생한다.
도 6a는 본 개시의 일 실시예에 따른 비디오 데이터를 전처리하는 과정을 나타낸 개념도이다.
프로세서(110)는 전처리 모델(600)을 통해, 입력된 비디오 데이터(601)를 전처리할 수 있다. 예를 들어, 프로세서(110)는 키 프레임들을 추출하는 과정(610)을 기초로 비디오 데이터(601)로부터 키 프레임들을 추출할 수 있다. 키 프레임이란 비디오에 포함된 객체 전체가 중앙에 있는 것으로 판별된 프레임일 수 있다. 구체적으로, 먼저 프로세서(110)는 객체 인식 모델을 기초로 비디오 데이터(601)을 분석하여 객체를 추출하고, 객체의 위치를 분석할 수 있다. 그 후, 프로세서(110)는 키 프레임 추출 모델(미도시)를 기초로 비디오 데이터(601)을 구성하는 프레임 중 객체가 중앙에 있는 프레임을 선별하여 이를 키 프레임으로 결정할 수 있다.
이 때 키 프레임 추출 모델은 인공 신경망 모델일 수 있다. 키 프레임 추출 모델을 학습시키기 위하여, 학습용 비디오 데이터로부터 수동으로 학습용 키 프레임들이 추출될 수 있다. 그 후, 추출된 키 프레임들의 각 객체에 바운딩 박스(bounding box)좌표와 객체에 대한 클래스 레이블이 라벨링될 수 있다. 키 프레임 추출 모델은 위와 같이 객체의 위치와 클래스를 감지하기 위해 라벨링된 학습용 비디오 데이터를 통해 학습될 수 있다.
프로세서(110)는 비디오 데이터(601)로부터 추출된 키 프레임들에 대하여 데이터 클리닝 과정(620)을 수행할 수 있다. 프로세서(110)는 추출된 키 프레임들에 대하여 동일한 이미지들을 제거할 수 있다. 또한 프로세서(110)는 키 프레임들 중 낮은 해상도의 이미지를 제거할 수 있다. 또한 프로세서(110)는 키 프레임들 중 날카로운 수평 또는 수직 비율을 가진 이미지를 제거할 수 있다. 그러나 본 개시의 키 프레임들에 대한 데이터 클리닝 방법은 위의 예시에 한정하지 아니하고, 프로세서(110)는 키 프레임들 중 위의 예시에 포함되지 않는 방법을 통하여 키 프레임들 중 낮은 품질을 가진 이미지를 판별하고 제거할 수 있다.
프로세서(110)는 데이터 클리닝 과정을 거친 키 프레임들에 대하여 이를 학습 데이터로서 사용하기 위한 데이터 라벨링 과정(630)을 거칠 수 있다. 데이터 즉 데이터 클리닝 과정을 거친 키 프레임들은 각각의 키 프레임들이 포함하는 객체의 특성에 따라 분류될 수 있다. 그 후, 키 프레임들의 클래스가 정의될 수 있다. 또한, 키 프레임에 포함된 객체를 탐지하는 것을 기초로 각 객체에 대한 바운딩 박스가 생성될 수 있다. 또한, 키 프레임에 포함된 각 객체에 대하여 클래스가 정의될 수 있다.
도 6b는 본 개시의 일 실시예에 따른 오디오 데이터를 전처리하는 과정을 나타낸 개념도이다.
프로세서(110)는 전처리 모델(600)을 통해, 오디오 데이터(602)를 전처리할 수 있다. 구체적으로, 프로세서(110)는 오디오 데이터의 무음 부분을 제거할 수 있다. 그 후, 프로세서(110)는 무음 부분이 제거된 오디오 데이터의 노이즈를 제거할 수 있다. 그 후, 프로세서(110)는 피치 이동(pitch shifting), 시간 스케일 수정(time-scale modification)과 같은 오디오 증대 방법을 사용하여 오디오 데이터의 수를 늘릴 수 있다. 그 후, 프로세서(110)는 전체 오디오 데이터를 작은 부분으로 나누어 프레이밍하고, 각 프레임에 대하여 윈도우 함수를 통해 프레임 스무딩을 수행할 수 있다. 그 후, 프로세서(110)는 오디오 데이터의 윈도우 프레임에 대하여 고속 푸리에 변환(FFT:Fast Fourier Transform) 알고리즘을 기초로 주파수 특성을 추출할 수 있다. 그 후, 프로세서(110)는 추출된 주파수 특징에 대하여 로그스케일을 적용하여 오디오 데이터에 대한 로그 진폭 스펙트럼(Log-Amplitude Spectrum)을 생성한 후, 생성된 스펙트로그램을 시간 및 주파수 이동 알고리즘을 적용하여 증대시킬 수 있다. 그 후, 프로세서(110)는 각 오디오 데이터로부터 생성된 스펙트로그램에 대하여 클래스 라벨을 생성할 수 있다.
도 6c는 본 개시의 일 실시예에 따른 냄새 데이터를 전처리하는 과정을 나타낸 개념도이다.
프로세서(110)는 전처리 모델(600)을 통해, 냄새 데이터(603)를 전처리할 수 있다. 구체적으로, 프로세서(110)는 전처리 모델(600)을 기초로 냄새 데이터(603)을 프레임 단위로 나눌 수 있다. 그 후, 프로세서(110)는 각 프레임에 대하여 고속 푸리에 변환(FFT:Fast Fourier Transform) 알고리즘을 기초로 냄새 데이터 프레임에 대한 특성을 추출하여 스펙트로그램을 생성할 수 있다. 프로세서(110)는 각 프레임에 대한 스펙트로그램에 대하여 특징 맵을 생성하고, 얕은 특징(shallow features)을 추출할 수 있다.
한편, 본 개시의 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 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 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 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, 당업자라면 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 또한 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 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 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, 당업자라면 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 또한 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 또한 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 (13)

  1. 산업용 로봇의 작업 수행 모델을 학습시키기 위해 컴퓨팅 장치에 의해 수행되는 방법으로서,
    산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하는 단계
    상기 시뮬레이션 환경에서 상기 산업용 로봇의 작업 수행 모델의 추가 학습 데이터를 생성하는 단계;
    상기 추가 학습 데이터를 기초로, 상기 작업 수행 모델을 추가 학습시키는 단계; 및
    상기 작업 수행 모델을 업데이트하는 단계;
    를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하는 단계는:
    상기 작업 대상 객체에 대한 데이터를 클라우드 시스템(cloud system)에 업로드하는 단계;
    상기 작업 대상 객체와 연관된 환경 데이터를 상기 클라우드 시스템에 업로드하는 단계; 및
    상기 작업 대상 객체에 대한 데이터 및 상기 환경 데이터를 기초로 시뮬레이션 환경을 구축하는 단계;
    를 포함하는,
    방법.
  3. 제 2 항에 있어서,
    상기 작업 대상 객체에 대한 데이터는,
    상기 작업 대상 객체의 포인트 클라우드(point cloud) 데이터를 포함하는,
    방법.
  4. 제 1 항에 있어서,
    상기 작업 수행 모델은 강화학습 모델이고,
    상기 추가 학습 데이터를 기초로, 상기 작업 수행 모델을 추가 학습시키는 단계는:
    상기 시뮬레이션 환경에 기초하여 강화학습을 위한 상태(state) 정보를 획득하는 단계;
    상기 시뮬레이션 환경에 기초한 상기 상태 정보를 활용하여, 상기 산업용 로봇의 행동(action)에 대한 보상을 결정하는 단계; 및
    상기 결정된 보상에 기초하여 상기 작업 수행 모델의 강화학습을 수행하는 단계;
    를 포함하는,
    방법.
  5. 제 1 항에 있어서,
    상기 추가 학습 데이터를 기초로, 상기 작업 수행 모델을 추가 학습시키는 단계는:
    상기 추가 학습된 작업 수행 모델의 성능이 사전 결정된 성능 기준 미만인 경우, 상기 작업 수행 모델의 재학습을 수행하는 단계;
    를 더 포함하는,
    방법.
  6. 제 1 항에 있어서,
    상기 산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하는 단계는,
    상기 작업 대상 객체에 대한 모니터링 동작과 연동하여 상기 시뮬레이션 환경을 구축하는 단계를 포함하는,
    방법.
  7. 제 6 항에 있어서,
    상기 작업 대상 객체에 대한 모니터링 동작과 연동하여 상기 시뮬레이션 환경을 구축하는 단계는,
    객체 인식 모델을 활용하여 상기 작업 대상 객체를 식별하는 단계; 및
    상기 작업 대상 객체를 식별한 결과를 기초로 모니터링 결과를 생성하는 단계;
    를 포함하는,
    방법.
  8. 제 7 항에 있어서,
    상기 객체 인식 모델을 활용하여 작업 대상 객체를 식별하는 단계는:
    상기 작업 대상 객체의 타입(type)을 식별하는 단계; 및
    상기 타입을 기초로, 상기 산업용 로봇의 작업(task) 종류를 결정하는 단계;
    를 포함하는,
    방법.
  9. 제 7 항에 있어서,
    상기 작업 수행 모델을 업데이트하는 단계는:
    상기 모니터링 결과에 기초하여, 상기 작업 대상 객체가 상기 산업용 로봇의 입력으로 사전 정의된 객체인지 여부를 판단하는 단계;
    상기 작업 대상 객체가 상기 산업용 로봇의 입력으로 사전 정의되지 않은 객체인 경우, 상기 작업 대상 객체를 기초로 시뮬레이션 환경에서 상기 작업 수행 모델을 업데이트하는 단계; 및
    상기 작업 대상 객체가 상기 산업용 로봇의 입력으로 사전 정의된 객체인 경우, 상기 작업 수행 모델을 유지하는 단계;
    를 포함하는,
    방법.
  10. 제 7 항에 있어서,
    상기 모니터링 결과를 기초로 사용자 피드백을 수행하는 단계;
    를 더 포함하는,
    방법.
  11. 제 10 항에 있어서,
    상기 사용자 피드백은,
    작업 대상 객체의 존재 여부;
    상기 작업 대상 객체가 상기 산업용 로봇의 입력으로 사전 정의되지 않은 객체인지 여부;
    상기 작업 수행 모델의 업데이트 여부; 및
    상기 작업 수행 상황;
    을 포함하는,
    방법.
  12. 컴퓨팅 장치로 하여금 동작들을 수행하도록 하는 명령들을 포함하는 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 동작들은:
    산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하는 동작;
    상기 시뮬레이션 환경에서 상기 산업용 로봇의 작업 수행 모델의 추가 학습 데이터를 생성하는 동작;
    상기 추가 학습 데이터를 기초로, 상기 작업 수행 모델을 추가 학습시키는 동작; 및
    상기 작업 수행 모델을 업데이트하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램
  13. 컴퓨팅 장치로서,
    적어도 하나의 프로세서; 및
    메모리;
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    산업용 로봇의 작업 대상 객체를 기초로 시뮬레이션 환경을 구축하고,
    상기 시뮬레이션 환경에서 상기 산업용 로봇의 작업 수행 모델의 추가 학습 데이터를 생성하고,
    상기 추가 학습 데이터를 기초로, 상기 작업 수행 모델을 추가 학습시키고, 그리고
    상기 작업 수행 모델을 업데이트하도록 구성되는,
    컴퓨팅 장치.
PCT/KR2022/016324 2021-10-25 2022-10-25 산업용 로봇의 인공지능 학습 방법 WO2023075351A1 (ko)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
KR20210142664 2021-10-25
KR10-2021-0142664 2021-10-25
KR20210142663 2021-10-25
KR10-2021-0142663 2021-10-25
KR1020220137194A KR20230059160A (ko) 2021-10-25 2022-10-24 산업용 로봇의 인공지능 학습 방법
KR10-2022-0137194 2022-10-24

Publications (1)

Publication Number Publication Date
WO2023075351A1 true WO2023075351A1 (ko) 2023-05-04

Family

ID=86159564

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/016324 WO2023075351A1 (ko) 2021-10-25 2022-10-25 산업용 로봇의 인공지능 학습 방법

Country Status (1)

Country Link
WO (1) WO2023075351A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200014368A (ko) * 2017-07-03 2020-02-10 엑스 디벨롭먼트 엘엘씨 로봇 행동 보정에 기초한 로컬 피쳐 모델의 업데이트
KR102114496B1 (ko) * 2018-09-05 2020-06-02 전남대학교산학협력단 혼합 현실에서 작업 지원 정보를 제공하는 방법, 단말 및 작업 지원 서버
KR20200080372A (ko) * 2018-12-14 2020-07-07 삼성전자주식회사 로봇 장치 및 로봇의 작업 기술을 학습하는 방법
WO2021084587A1 (ja) * 2019-10-28 2021-05-06 株式会社安川電機 機械学習データ生成装置、機械学習装置、作業システム、コンピュータプログラム、機械学習データ生成方法及び作業機械の製造方法
KR20210073001A (ko) * 2019-12-10 2021-06-18 엘지전자 주식회사 로봇 및 로봇 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200014368A (ko) * 2017-07-03 2020-02-10 엑스 디벨롭먼트 엘엘씨 로봇 행동 보정에 기초한 로컬 피쳐 모델의 업데이트
KR102114496B1 (ko) * 2018-09-05 2020-06-02 전남대학교산학협력단 혼합 현실에서 작업 지원 정보를 제공하는 방법, 단말 및 작업 지원 서버
KR20200080372A (ko) * 2018-12-14 2020-07-07 삼성전자주식회사 로봇 장치 및 로봇의 작업 기술을 학습하는 방법
WO2021084587A1 (ja) * 2019-10-28 2021-05-06 株式会社安川電機 機械学習データ生成装置、機械学習装置、作業システム、コンピュータプログラム、機械学習データ生成方法及び作業機械の製造方法
KR20210073001A (ko) * 2019-12-10 2021-06-18 엘지전자 주식회사 로봇 및 로봇 시스템

Similar Documents

Publication Publication Date Title
WO2019074195A1 (ko) 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램
WO2020005049A1 (ko) 인공 신경망의 학습 방법
KR102313626B1 (ko) 신경망을 학습시키는 방법
WO2021261825A1 (ko) 기계 학습 기반 기상 자료 생성 장치 및 방법
WO2021040354A1 (ko) 신경망을 이용한 데이터 처리 방법
KR102372487B1 (ko) 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법
WO2022265292A1 (ko) 비정상 데이터 검출 방법 및 장치
WO2022075678A2 (ko) 의사 정상 데이터를 이용한 자가 감독 학습 기반의 차량 이상징후 탐지 장치 및 방법
WO2024080791A1 (ko) 데이터셋을 생성하기 위한 방법
WO2024085366A1 (ko) 가상 카메라를 이용한 카메라 움직임 구현 방법
KR20200010984A (ko) 어노말리 디텍션
WO2023101417A1 (ko) 딥러닝 기반의 강수량 예측 방법
WO2023128349A1 (ko) 협력 학습을 이용한 초해상도 이미징 방법
KR20210074269A (ko) 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법
WO2023075351A1 (ko) 산업용 로봇의 인공지능 학습 방법
WO2021251691A1 (ko) 앵커-프리 rpn 기반의 물체 검출 방법
KR102292703B1 (ko) 피처 셋 정보에 기초한 전이 학습 방법
KR102272497B1 (ko) 객체 중심 데이터 증강 방법
WO2023027278A1 (ko) 커리큘럼 기반의 능동적 학습 방법
WO2023027280A1 (ko) 항원 결정기 후보 도출 방법
KR20230059160A (ko) 산업용 로봇의 인공지능 학습 방법
WO2023008811A2 (ko) 신경망 모델을 이용한 마스크 착용 얼굴 이미지 복원 방법
WO2021066266A1 (ko) 인공지능을 이용하여 소리를 생성하는 방법
KR102550108B1 (ko) 클라우드 플랫폼에서 인공지능 모델을 활용한 용접 불량 탐지 방법
KR102552230B1 (ko) 클라우드 플랫폼에서 인공지능 모델을 활용한 데이터 라벨링 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22887547

Country of ref document: EP

Kind code of ref document: A1