MERRIC인
조회수 383 좋아요 1 댓글 0
생체신호를 이용한 로봇 제어
박성식(Seongsik Park)(동국대학교 AI융합학부 조교수) / s.park at dgu.edu
1. 본인의 연구에 대해서 대략적인 소개를 부탁드립니다.

안녕하세요? 저는 동국대학교 AI융합학부에 조교수로 재직 중인 박성식 입니다. 2010년에 서울대학교에서 학사를 마치고 2019년에 POSTECH에서 “Motion Recognition and Robot Control using sEMG”라는 주제로 박사학위를 받았습니다. POSTECH과 KIST 로봇연구단에서 post-doc을 지낸 후 지금 있는 동국대학교에 부임하게 되었습니다.

근전도는 생체 전기 신호의 일종으로 근섬유가 활성화될 때 발생하는 활동전위를 피부 표면에서 측정한 것으로, 근육의 활동을 비침습적으로 측정할 수 있는 대표적인 방법입니다. 이 근전도 신호는 그 진폭이 근육의 활성화 정도, 내지는 등장성 수축 힘과 대략적으로 비례하는 관계에 있다는 것이 알려져 있습니다. 그러나 근전도 신호는 무작위성이 높고 재현성이 매우 떨어지는 특성을 가지고 있기 때문에, 이 신호로부터 물리적인 모델을 사용한 해석이나 정량적인 정보의 추정에는 뚜렷한 한계가 있습니다. 그리하여 사람의 동작을 인식하기 위한 방법으로 근전도를 사용하기 위해서는 머신러닝과 데이터를 기반으로 한 접근법이 주로 사용됩니다. 다른 동작 센서와 비교하였을 때 근전도가 갖는 독보적인 이점은 (i) 절단 환자의 동작 의도를 비침습적으로 측정할 수 있는 거의 유일한 방법이며 (ii) 관절의 탄성을 간접적으로 추정할 수 있고 (iii) 기계 시스템과 상호작용하는 힘(예: 관절 토크 센서)이 아니라 순수하게 사람이 의도하여 만들어낸 힘을 측정할 수 있으며 (iv) 동작이 실제 일어나는 것보다 미세하게 이른 시점에 발화한다는 것입니다.

저의 대표적인 연구들은 근전도로부터 동작을 인식하고 이 정보를 활용해 로봇을 제어하거나 학습한 방법들로 이해할 수 있습니다. 대표적인 두 연구를 소개 드리자면 첫째로는 데이터를 기반으로 하는 머신러닝 모델의 경우 사용하기 이전에 인식 대상이 되는 동작을 여러 번 반복하며 학습 데이터를 수집해야 하는 과정이 필요하고 학습되지 않은 동작에 대해서는 작동을 보장할 수 없다는 문제를 극복하기 위해, 학습 없이 바로 사용 가능한 근전도 동작 인식 알고리즘을 개발하였습니다. 이를 공개 데이터와 절단 환자 데이터에 적용한 바 있습니다. 둘째로는 탄성의 조절이 가능한 로봇(예: impedance control, variable stiffness actuator)이 경로 계획 이외에도 탄성의 계획을 필요로 하는데 이를 적절히 프로그래밍하는 방법은 아주 제한된 경우(예: 속도를 최대화)를 제외하고는 알려져 있지 않았습니다. 이를 위해 근전도를 이용하여 사람의 탄성을 추정하고 이를 이용해 로봇을 원격 제어하여 해당 작업을 반복적으로 시연함으로써 주어진 작업을 달성하기 위한 탄성 경로 계획 방법을 제안하였습니다. 이를 별도의 gripper 없이 떨어지는 공을 자연스럽게 받아내는(trapping) 시연을 통해 검증하였습니다.




2. 주로 근전도를 통한 로봇제어 연구를 하시는 걸로 알고 있습니다. 근전도 동작인식 중 교시 학습을 통한 로봇제어는 한계점이 있다고 하셨는데 어떤 문제가 있을까요? 또한 이를 개선하기 위해 학습 없는 공개 데이터 셋을 이용한 동작인식을 제안하셨는데 이에 대한 소개를 부탁드립니다.

앞서 말씀드린 것처럼 근전도로부터 물리적인 모델을 기반으로 해서 정량적인 정보를 추정하는 것에는 한계가 뚜렷하기 때문에, 학습 데이터를 기반으로 한 지도 학습이 많이 사용됩니다. 학습 데이터는 대개 실험자에게 어떤 동작에 대한 지시(label, desired output)를 주고 해당 동작을 여러 번 반복하며 근전도(input)를 수집하는 방식으로 이루어집니다. 그렇기 때문에 내가 인식하고 싶은 대상 동작들을 미리 결정해야 하고, 해당 동작들을 반복하며 데이터를 수집하는 과정이 필요하며, 나아가 대상 동작이 아닌 동작에 대해서는 어떻게 동작할지 예측할 수 없다는 한계를 가지고 있습니다.



저희는 이러한 한계를 극복하기 위해 학습이 필요 없는 근전도의 발화 패턴 및 동작 인식 알고리즘을 개발하였습니다. 이 알고리즘에서는 근전도의 확률을 발화 패턴에 대한 조건부 확률로 표현하고, 신호가 주어졌을 때 발화 패턴의 추정 자체는 간단히 MLE를 이용해 추정합니다. 다만 이 근전도가 가진 특성에 맞추어서 설계된 자가 적응 원리를 구현하여 지금까지 관측된 적이 있는 발화 패턴인 경우 가장 최근 관측된 신호를 가지고 해당 발화 패턴의 확률 분포를 갱신하거나, 관측된 적이 없는 신호인 경우 새로운 발화 패턴으로 등록하는 알고리즘을 만들었습니다. 이를 통해 사전 학습 없이 근전도의 발화 패턴을 실시간으로 군집화와 동시에 분류를 하며, 나아가 이 정보는 시간에 따라 변화하는 근전도의 특성을 추종할 수 있는 능력을 가지게 되었습니다.

이 알고리즘을 공개된 지도 학습용 근전도 동작 데이터셋에 적용하여 동작 분류 성능을 측정하였습니다. 여기에는 성능 평가를 위해 발화 패턴을 동작에 다대일(many-to-one)로 대입하는 과정만을 추가하였습니다. 이를 통해 지도 학습 알고리즘에 필요한 데이터 수집 과정, 그리고 시간과 자원이 소모되는 학습 과정 없이도 유사한 동작 인식 성능을 보이는 것을 확인하였습니다. 뿐만 아니라 절단 환자 데이터셋에서도 그 동작 인식 성능을 검증하였으며, 나아가 지도 학습과는 달리 절단 환자의 자유로운 작동으로부터 구분이 가능한 발화 패턴을 자연스럽게 추출하는 것을 보여준 바 있습니다. 영상에서는 실제 시연을 보여주고 있는데 학습이 필요 없기 때문에 사용자를 교체하거나 심지어 오른팔 왼팔을 달리하여도 문제 없이 동작하는 것을 보여줍니다.

참조 영상: 사전 학습이 필요 없는 근전도 동작 인식








3. 로봇팔이 떨어지는 공을 자연스럽게 받는(트래핑) 영상을 보았습니다. 로봇이 인간과 공유하고 생활하기 위해서는 탄성을 유지하는 로봇의 움직임이 중요할 거 같은데, 어떤 연구들을 진행하고 있는지 소개해 주세요.

최근 들어 로봇은 임피던스 제어(impedance control)나 VSA(variable stiffness actuator) 등의 발전을 통해 자기 자신의 탄성을 조절할 수 있게 되었습니다. 이를 통해 로봇과 상호작용하는 힘을 정교하게 다룰 수 있게 되었으며, 탄성을 활용하여 충격을 흡수하고 안정화를 개선하고 탄성 에너지를 활용하여 동적인 운동 능력을 얻는 등의 연구가 수행되었습니다. 그러나 탄성의 활용을 필요로 하는 작업이 주어졌을 때, 이를 달성할 수 있는 시간에 따른 탄성 경로 계획법은 아직 연구된 바가 많지 않습니다. 탄성 에너지를 통해 기구의 속도를 최대로 만드는 일부 제한적인 경우에서 해석적인 방법으로 최적화 문제를 풀 수 있었지만, 보다 일반적인 경우에 로봇의 탄성을 활용하는 방법은 아직 알려지지 않았습니다.

사람의 근육은 항상 수축하는 방향으로 힘을 내기 때문에 관절을 양방향으로 움직이기 위해서는 해당 관절에 서로 상반된 역할을 하는 근육이 쌍으로 존재합니다. 이런 구조를 이용해 단순히 동작을 양방향으로 구현해 내는 것 이외에도, 상반된 근육을 동시에 수축하고 이완하여 우리는 관절의 탄성을 능동적으로 조절할 수 있습니다. 그리고 이러한 관절의 탄성을 외부 장치를 이용해 직접 측정하는 것이 아니라, 근전도를 통해 상반된 근육이 동시에 활성화되는 것을 감지하여 관절의 탄성을 역으로 추론해낼 수 있습니다.

우리는 이 방법을 이용하여 로봇의 탄성을 사람이 직접 시연을 통해 계획하는 방법을 제안하였습니다. 먼저 동작 센서로 로봇의 위치를 조절하고 근전도로부터 로봇의 탄성을 조절하는 원격 제어 환경을 설정하였습니다. 그리고 떨어지는 공을 별도의 gripper 없이 단단한 면으로 받아내는 트래핑(trapping)을 선정하였습니다. 이는 짧은 시간에 위치와 탄성을 동시에 조절하여 공이 멀리 튀지 않으면서도 충분히 감속이 되어 단단한 면 위에 받아내는 작업입니다. 이 작업을 사람이 직접 로봇을 이용해 시연하여 트래핑 작업을 성공할 수 있는 위치와 탄성의 경로를 동시에 추출해냈습니다. 이로부터 항상 떨어지는 공을 안정적으로 트래핑 하도록 로봇을 프로그래밍하는데 성공했습니다.

참조 영상: 근전도를 이용한 로봇 탄성 학습






4. 위의 내용 외에 더 소개해 주실 연구가 있으시면 소개를 부탁드립니다.

기능 단위로 구분이 가능한 상지 동작과는 다르게 하지 동작은 주로 연속적인 형태를 지닙니다. 근전도를 이용해 하지 동작을 의미 단위로 분절하는 계층적 동작 인식 알고리즘을 연구하였습니다. 이를 통해 걷기, 뛰기, 앉기, 제자리 뛰기 등의 동작에 대한 상위 정보와 더불어 걷기 안에서도 보행 단계(gait phase)로 분절해내는 알고리즘입니다.


5. 현재 운영 중인 Spark Lab.에서는 다양한 연구들이 진행되고 있는데, 주로 어떤 연구들을 진행중 인지, 그리고 어떤 분들로 구성되었는지, 또한 계획하고 목표나 비전이 있다면?

동국대학교 부임 이후로는 연구 주제에 대한 학생들의 의사를 최대한 존중하여 컴퓨터 비전 연구에 대한 연구를 많이 늘렸습니다. 얼굴 표정 인식을 위한 표현 학습(representation learning) 및 자기 지도 학습(self-supervised learning), 머신러닝을 이용한 시운동 협응 데이터 분석 및 진단, 적대적 생성 모델(generative adversarial network)을 이용한 데이터 증강 등을 연구하고 있습니다.

기존에 하던 연구의 연장선으로는 최근 운동 동작 분석 기업과의 산학협력을 통해 이미지와 동작 센서를 이용한 멀티 모달(multi-modal) 운동 인식 과제도 새롭게 시작했습니다. 또 근전도가 실제 동작에 미세하게 앞선다는 특징을 이용하여 낙상을 사전에 예측하고 예방하는 연구를 수행하고 있습니다. 이를 외골격 로봇 등으로 확장하려는 연구를 시도하고 있습니다.






6. Spark-Lab.의 연구를 유튜브를 통해서 많 동영상으로 공유하고 있는 것을 인상 깊게 보았습니다. 어떤 계기로 시작하게 되었고, 어떤 영상들이 있는지 홍보를 부탁드립니다.

연구실은 결국 사람들에 의해서 움직이기 때문에 우리와 함께 열정을 공유하고 성장할 수 있는 사람을 모으는 것에 대해 많은 고민을 하고 있습니다. 그리고 최근에는 사람들이 다양한 매체를 통해 연구실에 대한 정보를 찾아보고 습득할 수 있는 환경이 되어 있습니다. 또 대학원생 시절에 연구실에서 주로 진행했던 study들 역시 이러한 자료들을 적극적으로 활용했고, 잘 정리된 연구실 홈페이지가 있다면 연구하는데 많은 도움이 되었습니다. 코로나 시대에 임용이 되다 보니 비대면 수업을 주로 해오면서 이왕이면 녹화를 남겨두어, 이를 youtube에 올려서 연구실의 자산으로도 활용하고 일종의 archive로도 삼으려는 생각이었습니다. 머신러닝이나 로보틱스를 공부하면서 저의 자료를 한 명이라도 더 참고한다면 보람이 있을 것이고, 또 이로부터 저희 연구실과 사람들 사이의 접점이 조금이라도 늘기를 바라는 희망이 있습니다.

spark-lab 홈페이지: https://spark-lab.com

spark-lab 유튜브: https://www.youtube.com/channel/UCTuVLWi_gtFueC7UpveFPcw



7. 그동안 영향을 받은 연구자가 많으실 거 같습니다. 어떤연구자 분들의 어떤 영향을 받으셨는지 궁금합니다.

정말 많은 분들의 이름이 떠오르지만 특별히 제가 박사과정 시절에 파견을 갔던 KIST에서 뵙게 된 두 분을 말씀드리고 싶습니다. 이 시기는 가장 힘들고 고민이 많은 시간이었지만, 그만큼 연구자로서 가장 많은 것을 느끼고 성장한 시기였습니다. 그리고 이 시기에 만난 두 분을 통해 제가 연구를 하고 수업을 하고 학생들을 지도하는데 항상 기준으로 삼고 있습니다.

가장 먼저 제가 교수를 하고 싶다고 결심하게 된 분으로, 당시 KIST에 계시다가 지금은 POSTECH으로 옮기신 김기훈 교수님입니다. 김기훈 교수님이 가지신 연구에 대한 진취적인 자세, 멤버들을 아우르고 이끌고 나가는 리더로서의 모습은 우러러보지 않을 수가 없었고, 또 교수님은 제가 보지 못한 것들을 봐주시고 제가 가진 것 이상을 이끌어 내주시는 분이었습니다. 다른 박사님께서 교수님을 “나를 따르라!”라고 표현한 것도, 본인을 포함해서 미팅에서는 치열하게 싸워보자는 말씀도, 본인은 연구원들이 후배가 아니라 동료 연구자가 되었으면 좋겠다던 말씀도 기억에 남습니다. 저도 다른 사람들에게 그와 같은 역할을 해내고 싶어서 교수가 하고 싶다는 결심을 하게 되었습니다. 그리고 당시 같은 연구실에 계셨던 KIST의 인용석 박사님을 말씀 드립니다. 박사님은 연구적인 면에서 누구보다 책임감 있는 프로의 모습을 보여주셨고, 연구실 안팎으로는 사람들을 어려움을 살뜰하게 챙겨주시는 연구적으로나 인간으로서나 모두의 귀감이 되는 분이셨습니다. 이런 분들을 통해 제가 되고 싶은 연구자의 모습을 그리고 있습니다.


8. 연구 활동 하시면서 평소 느끼신 점 또는 자부심, 보람

연구로든 교육으로든 다른 사람들에게 도움이 되고 있다고 느낄 때 자부심과 보람을 느끼고 있습니다. 아무래도 교수를 하고 싶었던 동기가 그러했기 때문인 것 같습니다. 그래서 연구로는 지도하고 있는 학생들이 변화하고 성장하는 것이 느껴질 때, 교육으로는 두 번째 학기에 받았던 우수원격강의상이 떠오릅니다.




9. 이 분야로 진학(사업) 하려는 후배들에게 조언해 주신다면?

학부 수업이나 대학원 수업이나 가리지 않고 하는 얘기가 있습니다. 공부도 하고 연구도 하다 보면 어려움은 반드시 찾아오는 것 같습니다. 그게 아무리 중요하더라도 이 세상에 본인보다 중요한 것은 없다는 것을 항상 잊지 마시고 본인을 돌보는데 소홀하지 않기를 바랍니다. 결국 어려움을 돌파하는 것도 본인이고 그 힘을 만들어내는 것도 자기 자신입니다. 그리고 자기를 돌보는 가장 첫 걸음은 운동이라는 것도 기억하세요. 꼭 운동을 시간 날 때가 아니라 시간을 내서 하세요.


10. 다른 하시고 싶은 이야기들.

제가 조금이라도 도움을 드릴 수 있다면 무엇이든 돕겠습니다. 또 저희 연구실과 함께 하시고 싶은 분들도 언제든 환영합니다. 편히 연락 주십시오. 그리고 어디서 어떤 연구를 하시든 모두 건강하시고 행복하세요.


*박성식 교수의 최근(대표) 논문

- S. Park, W. K. Chung and K. Kim, “Training-Free Bayesian Self-Adaptive Classification for sEMG Pattern Recognition Including Motion Transition,” IEEE Transactions on Biomedical Engineering, vol. 67, no. 7, 2019

- S. Park, W. Lee, W. K. Chung and K. Kim, “Programming by Demonstration using the Teleimpedance Control Scheme: Verification by an sEMG-Controlled Ball-Trapping Robot,” IEEE Transactions on Industrial Informatics, vol. 15., no. 2, 2018

- S. Park, D. Lee, W. K. Chung and K. Kim “Hierarchical Motion Segmentation through sEMG for Continuous Lower Limb Motions,” IEEE Robotics and Automation Letters, vol. 4, no. 4, 2019

- S. Park and W. K. Chung, “Localizing a Needle Tip using 2D Microscope Images and Detecting Vertical Approach of a Needle Based on Focus Measures for Intracellular Microneedle Insertion,” IEEE International Conference on Intelligent Robots and Systems, 2016

- M. J. Kim, S. Park and W. K. Chung, “Nonlinear Robust Internal Loop Compensator for Robust Control of Robotic Manipulators,” IEEE/RSJ International Conference on Intelligent Robots and Systems, 2012


  • sEMG
  • robotics
  • machine learning
  • biomechatronics
  • elastic robot
인쇄 Facebook Twitter 스크랩

  전체댓글 0

[로그인]

댓글 입력란
프로필 이미지
0/500자