Use of probabilistic machine learning for modeling and state estimation of soft robot systems
저자
발행사항
서울 : 서울대학교 대학원, 2020
학위논문사항
학위논문(석사)-- 서울대학교 대학원 : 기계항공공학부 2020. 2
발행연도
2020
작성언어
영어
주제어
DDC
621 판사항(22)
발행국(도시)
서울
기타서명
비모수 기계학습 방법을 이용한 소프트 로봇 시스템의 모델링
형태사항
iii, 55 p. : 삽화, 표 ; 26 cm
일반주기명
참고문헌 수록
UCI식별코드
I804:11032-000000160957
소장기관
Due to hysteresis and stochastic behavior of soft robots, it is challenging to model, control, and estimate the real state of them. Reflecting previous attempts on modeling hysteresis and borrowing the intuitiveness of the Bayesian network, we propose a novel way to model hysteresis from a Bayesian perspective. By assuming that current output distribution of the hysteretic system follows a Gaussian distribution of mean and covariance is comprised of only on the previous input-output tuples and the current input, we construct a hysteresis Bayesian network that can efficiently model transition and sensory model and best estimate the states using extended Kalman filtering. To reflect stochastic behavior, we use Gaussian process regression to provide a probabilistic model for the function approximator of transition and sensor model, also variances for Kalman filtering. Furthermore, we use Bayesian linear regression with Gaussian process regression prior to compensating for statistical disturbances and noises. Simulation and real-world soft robot application results show that our method works better than state-of-the-art soft robot modeling techniques, especially for the noisy environment. In conclusion, the proposed method can effectively, rapidly construct the model and estimate the state while maintaining robustness against disturbances and noises.
더보기소프트 로봇의 이력현상과 스토캐스틱 반응 때문에 이를 모델링, 예측, 제어하는 것은 매우 어려운 과제이다. 베이지안 네트워크의 특징과 기존의 딥러닝 방법을 보완하여, 확률론적 방법으로 이력 현상을 모델링하는 기법을 제시한다. 이력현상이 3개의 파라미터에 의존하는 가우스 과정으로 모델링하여, 이력 베이지안 네트워크인 HBN을 구축한다. 이는 로봇의 상태 변화 모델과 센서 모델을 효과적으로 모델링할 수 있다. 특히, 로봇의 스토캐스틱 현상을 반영하기 위해 가우스 과정 회귀 모델을 이용하고, 상태 예측으로 확장 칼만 필터를 이용한다. 또한 노이즈에 대항하기 위해 베이즈 선형 모델을 사후 확률로 사용하는 방법을 제시한다. 시뮬레이션과 실제 로봇 시스템의 적용으로 제시한 방법이 유효함을 검증한다. 이 방법을 통해 강인함을 유지함과 동시에 소프트 로봇을 모델링 할 수 있음을 알 수 있다.
더보기서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)