"정확한 던지기를 위한 기계학습 기반의 로봇팔 설계 및 관절의 기여도 분석"
(경기북과학고등학교 박지민1, 안세진1, 유신혁1, 이정민1)

The design of machine learning based robotic arm and analyzing the importance of each joint for throwing accuracy

Ji Min Park1, Sejin Ahn1, Shin Hyuk Yu1, Jeongmin Lee1Gyeonggibuk Science High School e-mail: ffrankaptain@gmail.com, asjsejin1011@gmail.com, 132337ysh@gmail.com, imleejm@gmail.com

요 약
던지기는 시간 효율이 높은 물체 수송 방법이나 이를 활용하기 위해서는 던지기에 대한 다양한 변인들 사이의 복잡한 관계를 파악해야 한다. 본 연구에서는 정확하게 던지는데 영향을 주는 변인들을 설정하고 정확히 던지는 방법을 학습하는 로봇팔을 설계하였다. 로봇팔은 유전 알고리즘을 기반으로 강화 학습하며 이때 학습 과정을 자동화하여 학습의 시간 효율을 높였다. 또한 로봇팔이 특정 위치에 물체를 던졌을 때의 변인들의 값을 수집하고, 수집한 자료와 로지스틱 회귀분석기법을 활용하여 던지기의 정확도에 대한 각 관절들의 기여도를 분석하였다. 본 연구의 결과는 물체를 던지는 기계를 설계하거나 사람의 던지는 동작을 이해하는 데 도움이 될 것으로 기대된다. 본 연구에서 제시한 독창적인 기계학습 모델 및 회귀분석 접근 방법은 향후 던지기 외의 다른 동작들을 분석하는 데에도 기여할 수 있을 것이다.

1. 서론

던지기를 이용해 물체를 이동시키는 행위는 사람이 흔히 사용하는 자연스러운 동작들 중 하나이다[1]. 또한 던지기는 산업 현장을 포함한 다양한 분야에서 효율적인 수송을 가능하게 할 수 있다[2]. 하지만 물체를 정확하게 던지는 데에 영향을 미치는 변인들이 다양하고 그들 사이의 관계가 복잡하여 물리적으로 분석하기 어렵다. 이 때문에 물체를 던져서 이동시키는 방법은 자주 사용되지 않고 있다[1].

이에 본 연구에서는 물체를 정확히 던지기 위해서 던지는 동작을 분석하였다. 이를 위해 인간과 유사한 형태의 로봇팔을 설계하고 물체를 정확하게 던지는 데 영향을 미치는 변인들을 설정하였다. 이 때, 로봇팔이 물체를 지정된 위치에 던지도록 하기 위해서 기계학습을 통한 접근 방법을 활용하였다[3].

또한 물체를 던져 특정 위치에 물체가 정확하게 던져졌을 때의 변인들의 값을 수집하고 로지스틱 회귀분석을 이용해 이 값들을 분석하여 각 변인이 던지기의 정확도에 미치는 기여도를 도출하였다.

2. 연구 방법 및 결과 분석

2.1. 로봇팔 설계 및 변인 설정
본 연구에서 던지는 방법은 언더핸드로 한정한다. 그리고 던져지는 물체는 플라스틱 공으로 설정한다. 로봇팔의 하드웨어 구성은 Fig.1. 과 같다. 총 3개의 모터부로 구성되어 있으며 각각의 모터부는 인간의 팔에서 팔꿈치, 손목, 손가락에 대응된다. 본 논문에서는 세 부분에 대응되는 모터부를 각각 모터1, 모터2, 모터3이라고 칭한다. 어깨는 물체를 정확히 던지는 데 큰 영향을 주지 않는다고 판단하여 본 연구의 하드웨어 모델 설계에서 고려하지 않았다.

▲ Fig.1. 로봇팔

던지는 동작은 세 모터의 제어 시각과 각속도로 나타낼 수 있다. 이 6가지 변인 중 모터 3의 각속도와 모터 1의 제어 시각은 제거할 수 있다. 모터3는 물체를 잡거나 놓는 손가락을 움직이는 역할을 하기 때문에 거의 영향을 미치지 않는다. 또한 제어 시각의 기준을 모터1의 작동하는 시각인 t1으로 지정하였기 때문에 이를 고려하는 변인들에서 제외할 수 있다. 결과적으로 본 연구에서는 던지기 동작을 표현하는 변인으로 ω1, ω2, t2, t3의 4가지를 설정하였다.

2.2. 하드웨어 구성
본 연구는 기계학습을 이용하여 원하는 구간에 물체를 던질 수 있는 해를 찾는 것을 목적으로 한다. 하지만 기계학습의 특성상 이 과정에서 많은 횟수의 수행이 필요하며, 사람이 직접 학습 과정에 관여해야 한다면 학습의 효율이 떨어질 것이다. 따라서 본 연구에서는 로봇팔이 사람의 개입 없이 물체를 던지면서 스스로 학습할 수 있도록 Fig.2. 와 같은 자동화 시스템을 제작하였다.

▲ Fig.2. 자동화 시스템

2.3. 기계학습 알고리즘 설계
본 연구에서는 기계학습을 구현하기 위하여 유전 알고리즘을 활용하였다. 유전 알고리즘은 자연선택을 모방한 계산 모델로 최적화된 해를 구하기 위한 알고리즘이다.

2.4. 관절 별 기여도 분석
수집한 데이터 중 ω1, ω2, t2, t3의 4가지는 독립변인으로, 던져진 위치는 원하는 위치에 정확히 들어갔는지에 따라 1 또는 0으로 바꾸어 종속변인으로 활용된다. 본 연구에서는 비선형적인 관계를 분석 하는 데 가장 적합하다고 판단되는 이분형 로지스틱 회귀분석 모형을 사용한다[5][6]. 이를 통해 각 변인들이 물체를 정확하게 던지는 것에 대한 기여도를 구할 수 있다.

3. 결론

3.1. 연구 결과

실험을 통해 수집한 데이터를 IBM SPSS Statistics 프로그램을 이용하여 다항 로지스틱 회귀분석을 진행하였다. 로지스틱 회귀분석은 독립변인과 종속변인의 관계가 비선형적인 경우 활용할 수 있는 통계적 분석 방법이다.

표.1.은 다항 로지스틱 회귀분석을 실행한 결과이다. 표는 공이 던져진 거리에 대한 각 변인들의 Sig. 값을 표시하였다. 로지스틱 회귀분석에서 Sig. 값은 일반적으로 0.05이하에서 유의수준을 갖는다[7]. 따라서 분석한 결과를 통해 로봇 팔이 물체를 정확하게 던질 때 모터1의 각속도인 ω1과 모터2의 각속도인 ω2가 유의미한 영향을 준다고 볼 수 있다. 이는 팔꿈치와 손목 관절의 각속도가 정확한 던지기에 영향을 준다는 것을 의미하며, 손가락의 각속도나 각 관절의 제어 시각은 통계적으로 큰 의미를 갖지 않는다는 것을 뜻한다.

3.2. 기대 효과
본 연구의 결과는 다양한 산업 현장에서 물체를 던지는 기계를 설계하는 데 유용하게 활용될 수 있으며, 사람의 던지는 동작에 대해 이해하는 기초 자료로 활용되어 야구 등의 스포츠 분야에서도 활용될 수 있을 것이라 기대한다. 또한 본 연구에서 제시한 독창적인 기계학습 모델 및 회귀분석 방법은 향후 던지기 외의 다른 동작들을 분석하는 데에도 기여할 수 있을 것이다

참고문헌
[1] Lombai, F. & Szederkényi, G. Throwing motion generation using nonlinear optimization on a 6-degree-of-freedom robot manipulator. Mechatronics, 2009. ICM 2009 IEEE International Conference on. 1-6 (2009)
[2] Frank, H., Wellerdick-Wojtasik, N., Hagebeuker, B., Novak, G. & Mahlknecht, S. Throwing Objects - A bio-inspired Approach for the Transportation of Parts. Robotics and Biomimetics, 2006. ROBIO'06.IEEE International Conference on. 91-96 (2006)
[3] Jens, K., Erhan, O. & Jan, P. Reinforcement Learning to adjust Robot Movements to New Situations. International Joint Conference on Artificial Intelligence, 21. 2560-2655 (2011)
[4] Stuart, R. & Peter N. Artificial Intelligence: A Modern Approach, Second Edition. Upper Saddle River, New Jersey: Prentice Hall. (2003)
[5] 성태제, 알기 쉬운 통계분석, 서울특별시:학지사. (2007)
[6] 김명종, 로지스틱 회귀분석과 인공신경망을 적용한 내부회계관리제도 평가모형의 성과비교, 국제회계연구 46, 1-30. (2012)
[7] 홍세희, 이항 및 다항 로지스틱 회귀분석, 서울특별시:교육과학사. (2011)