제어로봇시스템학교
일정: 6월 21일(수) 09:00-11:30
장소: 1F 그랜드볼룸
 |
제어 응용을 위한 진자 시스템 : 기초와 응용
한수희 (포항공과대학교) |
| 물리학에서 중요하게 다루는 진자 운동과 이를 활용한 여러가지 인공적인 진자 제어 시스템을 소개한다. 진자 운동은 자연 현상을 발견하는 도구로 오랫동안 순수 과학 분야에서 사용되어왔고, 최근에는 다양한 인공적인 진자 시스템을 만들어, 세그웨어, 크레인 시스템, 슬로쉬 제어, 걷는 로봇, 골프 역학 등에 응용하고 있다. 모델 및 데이터 기반 진자 시스템 제어에 관해 소개하고, 특히 기계 학습을 접목한 제어기를 깊이 고찰해본다. 최근 AI의 발전으로 단순한 연속적인 물리량 기반의 제어에서 벗어나 추상적인 영상 기반 및 양자화된 제어를 적용한 역진자 시스템 데모를 소개한다. | |
 |
모델예측필터와 심층강화학습 기반 안전제어 기법
이덕진 (전북대학교) |
| 최근 지능형 로봇 및 모빌리티 산업이 많은 관심을 받고 있으며, 이러한 시스템이 성공적인 서비스모델로 자리잡기 위해서는 연속 공간에서의 안정적(Stable)이고 동시에 안전한 지능제어의 적용이 더욱 중요합니다. 로봇 및 모빌리티 시스템이 배치되는 환경은 대체로 비선형적이며, 시스템 안정화를 위해 파라미터를 최적화 해야하며, 불확실한 상황에 대처하기 위한 안전성이 또한 보장되어야 합니다. 최근에는 강화 학습(RL)이 불필요한 자원 소비를 줄이고 지정된 도메인에서 높은 효율성을 달성하는 최적 제어 기술로 주목받고 있습니다. RL은 주로 정책을 통해 학습 동작에 필요한 상태를 얻는데 초점을 맞추지만, 탐색 과정에서는 많은 시행 착오가 필수적입니다. 또한 RL이 동적 환경 시뮬레이터보다 실제 차량에 적용되면, 하드웨어의 물리적 제한 때문에 학습 포화가 감소하고, 학습 중 장애물과의 충돌로 인해 부품 손상이 발생할 수 있습니다. 본 강좌에서는 이러한 문제를 극복할 수 있도록 안정성과 안전성을 모두 보장하기 위해 1)강화 학습 탐색에 2)안전 필터인 Model Predictive Filter(MPF) 또는 CBF(Control Barrier Function) 를 결합하는 새로운 방법을 제안하고, 예제로 3)충돌 방지 기법에 적용하여 내용을 제시하고자합니다. Actor-Critic 기반 PPO 알고리즘이 사용되며, MPF는 병렬 및 직렬 방법 모두에 결합되어 성능을 비교합니다. 알고리즘은 동적 환경 시뮬레이터에서의 시뮬레이션을 통해 평가됩니다. | |