로봇신문은 IROS2016 행사기간 플래너리 토크를 비롯해 일부 세션에 대해서는 현장에서 취재한 본지 객원기자들의 도움을 받아 자세한 내용을 소개하고 있습니다. 본 기사는 12일에 열린 Interactive Session 중 일부 내용을 정리해 소개합니다. 이 내용은 서울대 인지로봇 인공지능연구센터 이범진(박사과정) 연구원이 보내 온 내용입니다.

Object Detection and Motion Planning for Automated Welding of Tubular Joints

두 가지 RGB-D 센서를 사용하여 대상물을 탐지하고 모션 플래닝의경우 OMPL 라이브러리를 사용 그리고 BiTRRT로 여러 가지 모션을 플래닝 하는 법을 적용하였다. 이를 이용하여 대상물 별 중요 좌표를 추출하는 것이 가능해졌고 이를 기반으로 한 모션의 궤적은 상당히 일정한 행동을 생성해냈다.

기존 방법의 경우 직접적인 접근법을 통해 행동을 생성해냈지만 제안하는 기반으로 행동을 생성할 경우 중요한 좌표를 기점으로 행동을 생성하기 때문에 상당히 효율적이다.

Robot Interaction
Implementation of Haptic Communication in Co-Manipulative Tasks
터치와 촉각을 통한 사람들간의 의사소통에 대해 이야기한다. 사람과 사람 사이의 물리적 상호관계의 중요 키 파라미터를 발견하고, 사람-로봇간의 상호작용할 수 있는 촉각정보(Tactile Information)를 추출하고 프로토콜을 구현하는데 중점을 둔다.

Human Guidance Programming on a 6-dof Robot with Collision Avoidance
사람과 로봇이 협력을 할 때 사람의 안전과 로봇 안전이 필수적이다. 이번 발표에서는 로봇의 안전을 보장하는 방법에 대해 이야기한다. 이번 발표의 시나리오는 사람이 로봇에게 타이어를 옮기는 작업으로 설정하였다. 기존의 방법은 포텐셜 필드(Potential Field)를 사용 즉 기존 좌표로 다시 천천히 돌아가는 방법이다. 하지만 장애물이 무겁거나 주변에 많이 있을 때는 사용이 어렵다.

그렇기에 발표자는 쟈코비안 공식(Jacobian formulation)으로 장애물 회피를 하고 이후 사람의 지시 조건을 추가하여 로봇의 안전을 보장하는 함수를 제시하였다. 이 함수는 사람의 지시와 로봇의 움직임 사이의 최적화 문제로 문제를 해결하였다. 따라서 온라인 작동이 가능하다.

A Sensorimotor Reinforcement Learning Framework for Physical Human-Robot Interaction
사람과 물리적으로 접촉이 있는 상황에서 폴리시 어떻게 선택할 것인지에 대해 이야기한다. 로봇과 사람이 공을 중간으로 중심을 맞추는 상황에 대해 이야기한다. 이번 발표에는 사람과 로봇이 동등하게 역할을 공유하는 방법으로 접근한다. 코스트 펑션(Cost Function)을 제안하는데 사람이 움직이는 것을 예측하는 것을 로봇에 적용하여 함수를 설정한다. 사람과 로봇간의 상호작용 데이터를 수집하여 이를 분석한 후 이 데이터를 가장 잘 표현 할 수 있는 가우시안 모델(Gaussian model)을 적용 모델 기반 RL 로 로봇의 폴리시를 조종한다.

AI-Based Robot Systems
A Deep-Network Solution Towards Model-Less Obstacle Avoidance

심층(Depth) 이미지를 받아 이를 심화학습과 강화학습(Deep Reinforcement Learning)에 활용한 연구. 문제점은 로봇 컨트롤의 개수가 너무 한정적이라는 것과 만약에 넓은 공간에서 본 연구와 같이 리워드를 준다면 제자리에서 교대하는 것이 옵티말 솔루션으로 정착할 우려가 있다. 타겟이 없고 단순히 눈 앞에 물체를 피하는 연구

Detecting Object Affordances with Convolutional Neural Networks

다양한 물체에 대해 만들어진 형상과 CNN을 통해 생성된 형상을 합하여 물체의 어포던스(affordance)를 만들어내는 연구를 하였다. 하지만 기존에 학습되지 않은 대상에 관하여 수행 가능여부는 미지수이다.

Robotic Playing for Hierarchical Complex Skill Learning

본 연구는 시맨틱 토폴로지(Semantic Topology)와 해당 거리를 판단할 수 있는 딥 피쳐(Deep Feature)를 합쳐 카메라로 형태가 입력되면 바로 플래너에 매칭이 이루어 지면서 온라인으로 로봇이 복잡한 스킬을 구사한다.

시맨틱 토폴로지의 경우 트레이닝 세션에서증가하게 맵이 축적되는 연구를 제안 하였다.