Recently neural networks, known as good universal approximators, have been widely used as powerful computational tool to effectively learn unknown nonlinear functions. It comes from an attractive idea that complex solutions can be obtained from learning with input-output data rather than explicit programming, which has made the neural networks emerge rapidly as a possible candidate to solve the complex problems. Due to such characteristics, interests in the neural-based applications to robotics have been much increased fro the last two decades. This paper deals with a trajectory planning for a robot manipulator. The planning is inherently a problem of multiobjective optimization. Especially, for given initial and final states, finding an optimal trajectory which satisfies a variety of objectives such as torque minimization, final state errors, obstacle avoidance, joint limitation, and so on, is very difficult. Moreover, since the planning is usually performed on the preestimated model dynamics, there exists a mismatch between the real optimal trajectory and the model-based trajectory. This paper systematically presents a trajectory planning method using learning capability of neural networks to overcome the mismatch.
This paper is composed of 5 Chapters. After briefly addressing motivation and objective of the work and relationship between each Chapter, we explain several learning algorithms of the neural networks. Furthermore, to effectively deal with the underlying trajectory planning, multiobjective optimization using evolutionary algorithms(MOEA) and its usefulness are discussed. Based on Pareto optimality, several techniques to improve the performance of MOEA are proposed. And to guarantee good generalization of the neural networks, the network structure and learning conditions are empiricially studies. Based on the task specifications and necessary objectives, the optimal trajectory planning based on the model dynamics is performed with the neural networks, planning agents, and the proposed learning algorithms for multiobjective optimization. For the given optimal trajectory, proposed adaptive control schemes using the planning agents are performed to learn the real dynamics along the trajectory. Necessary local convergence conditions of updating algorithms and closed-loop stability of the proposed control schemes are mathematically analyzed, and their control performances are compared with other neural-based control schemes. Based on the given model dynamics and the planning agents which learn the inverse dynamics of the real system on the phase of adaptive control, a rescheduling scheme which reduces the mismatch is proposed. The effectiveness of the proposed rescheduling scheme is demonstrated on the Pareto objective space of the real system. It shows that the proposed trajectory planning scheme is very practical and effective.
최근에 신경 회로망의 학습을 통한 함수 근사화 능력이 수학적으로 보장되면서 기존의 수학적 접근 방법으로는 그 성능 향상에 한계가 있는 여러 분야에 성공적으로 적용되었다. 본 논문은 이러한 신경망의 학습 능력을 이용하여 로봇 매니퓰레이터의 경로 계획에서 나타나는 여러 가지 문제를 다룬다. 경로 계획 문제는 그 자체가 다양한 목적 함수를 가진 다중 목적 최적화 문제이며, 특히 로봇의 초기값과 최종값만이 주어진 상황에서 복잡한 다중 목적함수를 최적화하는 최적의 경로를 결정하는 대단히 어려운 문제이다. 또한, 최적 경로 계획은 이미 선험적으로 얻어진 모델의 동역학 특성을 이용하기 때문에 실제 시스템에 대한 최적화와는 다소 차이가 있기 때문에 이를 극복하기 위한 구체적인 방법이 요구된다. 본 논문은 이러한 복잡한 문제를 유용하게 다루기 위해서 신경망의 학습 능력을 이용한 최적 경로 계획과 이를 수행하기위한 여러가지 학습 방법을 제안한다.
본 논문은 크게 5 Chapter로 구성되어 있다. 우선 전체 논문의 구성과 각 세부 연구과제간의 연관성과 중요성에 대하여 간략히 언급한 후, 연구에서 사용되는 신경망 학습 알고리즘에 대하여 설명을 한다. 특히, 경로 계획 문제가 가지는 다중 최적화 문제를 효과적으로 다루기 위하여, 진화 알고리즘을 이용한 다중 목적 최적화 방법에 대하여 알아본다. 이때 파렛토 최적화 개념을 바탕으로 진화 알고리즘을 이용하여 다중 목적 최적화방법의 성능을 향상시키기 위한 여러 가지 기법이 제안된다. 그리고, 신경망의 우수한 일반화 특성을 유지하기 위한 학습 조건 및 구조 결정 방법을 실험적인 방법을 통하여 알아본 후, 제안된 신경망의 학습 알고리즘을 바탕으로 로봇 매니퓰레이터의 경로 계획를 수행한다. 작업 조건과 이에 따른 목적 함수를 설정한 후, 모델에 대하여 신경망과 최적 학습 알고리즘을 이용하여 최적 경로 계획을 수행한다. 또한, 선택된 최적의 경로에 대하여, 경로 계획과정에서 얻은 신경망을 바탕으로 제안된 적응 제어기법을 이용하여 실제 환경에서의 시스템 동역학 특성을 학습한다. 이때 적응 제어과정에서 필요한 신경망의 수렴 조건 및 전체 제어 시스템의 안정성이 수학적으로 해석되며, 제안된 제어 기법과 기존의 신경망을 바탕으로한 제어 기법과의 성능 비교가 이루어진다. 적응 제어 과정에서 신경망이 학습한 시스템의 역동특성을 바탕으로 모델에 대하여 얻은 최적 경로와 실제 시스템의 최적 경로간의 차이를 줄이는 경로 재설정방법이 제안한다. 제안된 경로 재설정 방법의 우수성은 실제 시스템의 경로 계획에서 얻은 파렛토 해공간에서 비교되어 진다. 이것은 신경망의 학습과 일반화 능력을 바탕으로 한 제안된 경로 계획 방법이 상당히 효과적이고 실용적이며, 제안된 방법을 통해 모델을 통해 실제 시스템에 얻는 것과 같은 최적 경로를 쉽게 얻을 수 있다는 것을 보여 준다.
