http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Edwin Valarezo Anazco,Patricio Rivera Lopez,Na Hyeon Park(박나현),Ji Heon Oh(오지헌),Ga Hyeon Ryu(류가현),Tae-Seong Kim(김태성) 한국통신학회 2021 한국통신학회 학술대회논문집 Vol.2021 No.2
Fully autonomous object grasping with robotic hands is under active investigation because autonomous vision and motor control is required. Vision allows a robotic hand interact with the environment by estimating the grasping parameters (i.e., grasping position and orientation) for manipulation. Motor control generates the motion parameters to reach an object and manipulate (e.g., grasping and relocation). In this work, deep learning RGB-D vision is used to detect the object and generate the grasping parameters of position and orientation. An anthropomorphic robotic hand system composed of UR3 robotic arm and qb soft hand is used for motor functions of object grasping and relocation. Our autonomous object manipulation system first detects and locates an object from RGB images using FastRCNN. Then, a partial depth view of the object is generated to estimate the grasping position and orientation of the object. Finally, the robotic hand system is used to grasp and relocate the object. Our autonomous object manipulation system is validated by grasping and relocating a single object of box and ball. For the box, our system achieves 8/10 successful grasping and 7/10 successful relocations, and for the ball 10/10 successful grasping and relocations.
휴먼형 로봇 손의 사물 조작 수행을 이용한 사람데모 결합 강화학습 정책 성능 평가
박나현,오지헌,류가현,Patricio Rivera Lopez,Edwin Valarezo Añazco,김태성 한국정보처리학회 2021 정보처리학회논문지. 소프트웨어 및 데이터 공학 Vol.10 No.5
Manipulation of complex objects with an anthropomorphic robot hand like a human hand is a challenge in the human-centricenvironment. In order to train the anthropomorphic robot hand which has a high degree of freedom (DoF), human demonstrationaugmented deep reinforcement learning policy optimization methods have been proposed. In this work, we first demonstrate augmentationof human demonstration in deep reinforcement learning (DRL) is effective for object manipulation by comparing the performance ofthe augmentation-free Natural Policy Gradient (NPG) and Demonstration Augmented NPG (DA-NPG). Then three DRL policy optimizationmethods, namely NPG, Trust Region Policy Optimization (TRPO), and Proximal Policy Optimization (PPO), have been evaluated with DA(i.e., DA-NPG, DA-TRPO, and DA-PPO) and without DA by manipulating six objects such as apple, banana, bottle, light bulb, camera,and hammer. The results show that DA-NPG achieved the average success rate of 99.33% whereas NPG only achieved 60%. In addition,DA-NPG succeeded grasping all six objects while DA-TRPO and DA-PPO failed to grasp some objects and showed unstable performances. 로봇이 사람과 같이 다양하고 복잡한 사물 조작을 하기 위해서는 휴먼형 로봇 손의 사물 파지 작업이 필수적이다. 자유도 (Degree of Freedom,DoF)가 높은 휴먼형(anthropomorphic) 로봇 손을 학습시키기 위하여 사람 데모(human demonstration)가 결합한 강화학습 최적화 방법이 제안되었다. 본 연구에서는 강화학습 최적화 방법에 사람 데모가 결합한 Demonstration Augmented Natural Policy Gradient (DA-NPG)와 NPG의 성능비교를 통하여 행동 복제의 효율성을 확인하고, DA-NPG, DA-Trust Region Policy Optimization (DA-TRPO), DA-Proximal Policy Optimization(DA-PPO)의 최적화 방법의 성능 평가를 위하여 6 종의 물체에 대한 휴먼형 로봇 손의 사물 조작 작업을 수행한다. 학습 후 DA-NPG와 NPG를비교한 결과, NPG의 물체 파지 성공률은 평균 60%, DA-NPG는 평균 99.33%로, 휴먼형 로봇 손의 사물 조작 강화학습에 행동 복제가 효율적임을증명하였다. 또한, DA-NPG는 DA-TRPO와 유사한 성능을 보이면서 모든 물체에 대한 사물 파지에 성공하였고 가장 안정적이었다. 반면, DA-TRPO와 DA-PPO는 사물 조작에 실패한 물체가 존재하여 불안정한 성능을 보였다. 본 연구에서 제안하는 방법은 향후 실제 휴먼형 로봇에 적용하여휴먼형 로봇 손의 사물 조작 지능 개발에 유용할 것으로 전망된다.
Al-masni, Mohammed A.,Al-antari, Mugahed A.,Park, Jeong-Min,Gi, Geon,Kim, Tae-Yeon,Rivera, Patricio,Valarezo, Edwin,Choi, Mun-Taek,Han, Seung-Moo,Kim, Tae-Seong Elsevier 2018 Computer Methods and Programs in Biomedicine Vol.157 No.-
<P><B>Abstract</B></P> <P><B>Background and objective</B></P> <P>Automatic detection and classification of the masses in mammograms are still a big challenge and play a crucial role to assist radiologists for accurate diagnosis. In this paper, we propose a novel Computer-Aided Diagnosis (CAD) system based on one of the regional deep learning techniques, a ROI-based Convolutional Neural Network (CNN) which is called You Only Look Once (YOLO). Although most previous studies only deal with classification of masses, our proposed YOLO-based CAD system can handle detection and classification simultaneously in one framework.</P> <P><B>Methods</B></P> <P>The proposed CAD system contains four main stages: preprocessing of mammograms, feature extraction utilizing deep convolutional networks, mass detection with confidence, and finally mass classification using Fully Connected Neural Networks (FC-NNs). In this study, we utilized original 600 mammograms from Digital Database for Screening Mammography (DDSM) and their augmented mammograms of 2,400 with the information of the masses and their types in training and testing our CAD. The trained YOLO-based CAD system detects the masses and then classifies their types into benign or malignant.</P> <P><B>Results</B></P> <P>Our results with five-fold cross validation tests show that the proposed CAD system detects the mass location with an overall accuracy of 99.7%. The system also distinguishes between benign and malignant lesions with an overall accuracy of 97%.</P> <P><B>Conclusions</B></P> <P>Our proposed system even works on some challenging breast cancer cases where the masses exist over the pectoral muscles or dense regions.</P> <P><B>Highlights</B></P> <P> <UL> <LI> A novel computer-aided diagnosis system based on deep learning techniques is proposed. </LI> <LI> The proposed YOLO-based CAD system simultaneously handles both detection and classification of breast cancer masses. </LI> <LI> YOLO-based CAD has a capability to handle most challenging cases of breast abnormalities. </LI> </UL> </P>
행동 복제 강화학습 및 딥러닝 사물 부분 검출 기술에 기반한 사람형 로봇손의 사물 조작
오지헌 ( Ji Heon Oh ),류가현 ( Ga Hyun Ryu ),박나현 ( Na Hyeon Park ),( Edwin Valarezo Añazco ),( Patricio Rivera Lopez ),원다슬 ( Da Seul Won ),정진균 ( Jin Gyun Jeong ),장윤정 ( Yun Jung Chang ),김태성 ( Tae-seong Kim ) 한국정보처리학회 2020 한국정보처리학회 학술대회논문집 Vol.27 No.2
최근 사람형(Anthropomorphic)로봇손의 사물조작 지능을 개발하기 위하여 행동복제(Behavior Cloning) Deep Reinforcement Learning(DRL) 연구가 진행중이다. 자유도(Degree of Freedom, DOF)가 높은 사람형 로봇손의 학습 문제점을 개선하기 위하여, 행동 복제를 통한 Human Demonstration Augmented(DA)강화 학습을 통하여 사람처럼 사물을 조작하는 지능을 학습시킬 수 있다. 그러나 사물 조작에 있어, 의미 있는 파지를 위해서는 사물의 특정 부위를 인식하고 파지하는 방법이 필수적이다. 본 연구에서는 딥러닝 YOLO 기술을 적용하여 사물의 특정 부위를 인식하고, DA-DRL 을 적용하여, 사물의 특정 부분을 파지하는 딥러닝 학습 기술을 제안하고, 2 종 사물(망치 및 칼)의 손잡이 부분을 인식하고 파지하여 검증한다. 본 연구에서 제안하는 학습방법은 사람과 상호작용하거나 도구를 용도에 맞게 사용해야하는 분야에서 유용할 것이다.
휴먼형 로봇 손의 사물 조작 수행을 이용한 인간 행동 복제 강화학습 정책 최적화 방법 성능 평가
박나현 ( Na Hyeon Park ),오지헌 ( Ji Heon Oh ),류가현 ( Ga Hyun Ryu ),( Edwin Valarezo Añazco ),( Patricio Rivera Lopez ),원다슬 ( Da Seul Won ),정진균 ( Jin Gyun Jeong ),장윤정 ( Yun Jung Chang ),김태성 ( Tae-seong Kim ) 한국정보처리학회 2020 한국정보처리학회 학술대회논문집 Vol.27 No.2
로봇이 사람과 같이 다양하고 복잡한 사물 조작을 하기 위해서 휴먼형 로봇손의 사물 파지 작업이 필수적이다. 자유도 (Degree of Freedom, DoF)가 높은 휴먼형(anthropomorphic) 로봇손을 학습시키기 위하여 사람 데모(human demonstration)가 결합된 강화학습 최적화 방법이 제안되었다. 본 연구에서는 강화학습 최적화 방법에 사람 데모가 결합된 Demonstration Augmented Natural Policy Gradient (DA-NPG)와 NPG 의 성능 비교를 통하여 행동 복제의 효율성을 확인하고, DA-NPG, DA-Trust Region Policy Optimization (DA-TRPO), DA-Proximal Policy Optimization (DA-PPO)의 최적화 방법의 성능 평가를 위하여 6 종의 물체에 대한 휴먼형 로봇손의 사물 조작 작업을 수행한다. 그 결과, DA-NPG 와 NPG를 비교한 결과를 통해 휴먼형 로봇손의 사물 조작 강화학습에 행동 복제가 효율적임을 증명하였다. 또한, DA-NPG 는 DA-TRPO 와 유사한 성능을 보이면서 모든 물체에 대한 사물 파지에 성공하여 가장 안정적이었다. 반면, DA-TRPO 와 DA-PPO 는 사물 조작에 실패한 물체가 존재하여 불안정한 성능을 보였다. 본 연구에서 제안하는 방법은 향후 실제 휴먼형 로봇에 적용하여 휴먼형 로봇 손의 사물조작 지능 개발에 유용할 것으로 전망된다.