A human is an expert in manipulation. We have acquired skills to perform dexterous operations based upon knowledge and experience attained over a long period of time. It is important in robotics to understand these human skills, and utilize them to bring about better robot control and operation.
It is hoped that the neural net controller can be trained and organized by simply presenting human teaching data, which implicate human intention, strategy and expertise. One weak point, however, results from this implicit method of a system construction approach. It is needed to determine the size of neural net controller. Improper size may not only incur difficulties in training neural nets, e.g. no convergence, but also cause instability and erratic behavior in machines. Therefore, it is necessary to determine the proper size of neural net controller for human control transfer.
In this paper, a new pruning method is developed, based on the penalty-term methods. This method makes the neural networks good for the generalization and reduces the retraining time after pruning weights/nodes.
신경망의 학습능력은 인간의 제어기술 방식을 학습하여 그대로 모방하는 제어기에 응용이 가능하다. 따라서, 이러한 신경망 제어기를 설계함으로써, 학습한 제어기를 통해 학습자만의 제어방식과 안정성을 전달할 수 있게 된다. 따라서, 범용적으로 사용하는 제어기의 문제점에서 벗어나 각 개개인의 특성화된 제어기를 설계하고자 한다. 이에 제어기의 구조를 선택함에 있어 본 주제와 관련된 관련 연구들이 경험적으로 제어기 구조를 선택한데 반해, 보다 합리적인 방식으로 제어기의 구조를 선택하는 알고리즘을 제안하고자 본 연구를 시작하게 되었다. 따라서, 신경망 구조의 초기 선택이 잘못 되었을 경우, 신경망 자체가 발생시키는 에러를 통해서 제어기가 학습자의 특성을 제대로 학습하지 못하는 상황을 본 논문에서 제안되는 알고리즘을 통해서 그 구조를 변형시킴으로 해서, 학습자의 특성을 보다 유사하게 학습할 수 있는 방법을 제시하였다.
