[논문 리뷰] Time Series Motion Generation Considering Long Short-Term Motion

Kazuki Fujimoto, Sho Sakaino외 1명|arXiv (Cornell University)|2019. 09. 09.

Robot Manipulation and Learning참고 문헌 28인용 수 4

한 줄 요약

이 논문은 위치 및 힘 데이터의 입력 샘플링 주기를 조절하여 장기(저주파수) 및 단기(고주파수) 운동을 별도로 처리하는 새로운 순환 신경망(RNN) 모델인 PLT 모델을 제안한다. 위치 입력을 지연시키고 다중 감소(multi-decimation) 기반의 주파수 분리 기법을 활용함으로써, 학습하지 않은 종이 높이에서도 안정적으로 문자를 쓸 수 있도록 하였으며, 장기 작업 동안 일반화 능력과 안정성 면에서 표준 RNN보다 뛰어난 성능을 보였다.

ABSTRACT

Various adaptive abilities are required for robots interacting with humans in daily life. It is difficult to design adaptive algorithms manually; however, by using end-to-end machine learning, labor can be saved during the design process. In our previous research, a task requiring force adjustment was achieved through imitation learning that considered position and force information using a four-channel bilateral control. Unfortunately, tasks that include long-term (slow) motion are still challenging. Furthermore, during system identification, there is a method known as the multi-decimation (MD) identification method. It separates lower and higher frequencies, and then identifies the parameters characterized at each frequency. Therefore, we proposed utilizing machine learning to take advantage of the MD method to infer short-term and long-term (high and low frequency, respectively) motion. In this paper, long-term motion tasks such as writing a letter using a pen fixed on a robot are discussed. We found differences in suitable sampling periods between position and force information. The validity of the proposed method was then experimentally verified, showing the importance of long-term inference with adequate sampling periods.

연구 동기 및 목표

• 로봇 조작 작업에서 장기(저속) 운동을 생성하는 데 도전하는 데에 초점을 맞춘다. 특히 힘과 위치의 조율이 필요한 작업에 중점을 둔다.
• 표준 RNN이 포착하지 못하는 장기 운동 역학을 임의 학습에 통합함으로써 일반화 능력을 향상시키는 것.
• 기존 모델이 종이 높이와 같은 학습하지 않은 환경 조건에 대해 외삽할 수 없는 한계를 극복하는 것.
• 특히 다중 감소(MD) 방법을 활용한 시스템 식별 원리를 기계 학습에 응용하여 운동 생성에 적용해 볼 수 있는지 탐색하는 것.
• 위치 및 힘 데이터에 적절한 샘플링 주기가 장기 운동 추론의 안정성과 정확성에 결정적인 영향을 미친다는 것을 검증하는 것.

제안 방법

• PLT 모델은 두 개의 별도된 RNN 브랜치를 사용한다. 하나는 지연된 입력 샘플링을 통해 장기적 위치 추론을 담당하고, 다른 하나는 고주파수 샘플링을 통해 단기적 힘 제어를 수행한다.
• 이 모델은 저주파수 및 고주파수 동역학을 파rameter 식별을 위해 분리하는 다중 감소(MD) 시스템 식별 방법에서 영감을 받았다.
• 학습 데이터는 双방향 제어를 통해 수집되며, 운영자가 세 가지 높이(10 mm, 40 mm, 70 mm)에서 종이에 글자를 쓰고, 로봇은 마스터-슬레이브 응답 매핑을 학습한다.
• 모델은 슬레이브 로봇의 반응으로부터 마스터 로봇의 운동을 추론하도록 학습하며, 위치 및 힘 신호는 각각 다른 효과적 샘플링 주기로 처리된다.
• 장기 궤적 계획을 가능하게 하기 위해 위치 입력을 명시적으로 지연시킴으로써, 예측 유도 진동을 감소시켰다.
• 고정된 20 ms 간격으로 데이터를 처리하는 표준 CONV. RNN 모델과의 비교를 통해 적응형 샘플링의 우수성을 입증하였다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 종이 높이가 다양할 때도 로봇 조작 작업에서 장기 운동 궤적을 효과적으로 학습하고 일반화할 수 있는가?
• RQ2 위치 및 힘 입력의 샘플링 주기 선택이 임의 학습에서 운동 생성의 안정성과 정확성에 어떤 영향을 미치는가?
• RQ3 다중 감소(MD) 시스템 식별 방법은 신경망에서 장기 운동 추론을 향상시키기 위해 효과적으로 적용될 수 있는가?
• RQ4 위치 입력을 지연시키는 것이 학습하지 않은 환경에서 RNN 기반 운동 생성 모델의 강건성과 일반화 능력을 향상시키는가?
• RQ5 왜 표준 RNN은 학습하지 않은 종이 높이에 대해 일반화하지 못하는 반면, PLT 모델은 성공하는가?

주요 결과

• PLT 모델은 학습 데이터 외의 높이(25 mm, 55 mm, 85 mm)에서도 문자 'A'를 성공적으로 써내려갔으며, 학습 데이터를 초월한 강력한 일반화 능력을 입증했다.
• 표준 CONV. RNN 모델은 학습하지 않은 높이에서 어느 곳에서도 문자를 쓰지 못했으며, 이는 장기 운동 역학을 처리하지 못하는 한계를 보여주었다.
• 다양한 종이 높이에서 일관된 글쓰기 압력을 유지했으며, 그 결과로 그림 11에 나타난 바와 같이 안정적인 토크 응답을 보였고, 이는 효과적인 힘 조절을 의미한다.
• 100 mm 높이에서는 더 이상 명확하게 글자를 쓰지 못했으며, 이는 낮은 높이에서의 강력한 일반화 능력에도 불구하고 외삽 능력의 한계를 보여주는 바이다.
• 위치 입력을 지연시킴으로써 순차적 위치 예측에서의 진동을 감소시켜 운동의 부드러움과 안정성을 향상시켰다.
• MD 기반의 모델 구조는 장기(궤적) 및 단기(힘) 동역학을 효과적으로 분리시켜, 복잡한 운동 작업에 있어 핵심적인 역할을 했다.