테이블 균형맞춤 로봇을 위한 인터액티브 강화학습 방법, 이를 수행하기 위한 기록 매체 및 장치

음성 피드백을 보상에 반영하는 테이블 균형 강화학습 방법

본 기술은 Deep Q-Network(DQN) 기반의 강화학습을 적용한 로봇 제어 시스템으로, 카메라 이미지로 테이블 상태를 인식하고 동작을 수행한 뒤, 사용자의 음성 피드백을 실시간으로 감성 분석하여 보상 값으로 변환함으로써 로봇의 동작 정책을 최적화하는 기술입니다.

기존 인터액티브 강화학습은 입력 장치(마우스, 리모컨 등) 사용으로 인한 상호작용의 비자연성 문제와 보상 함수 설계 시 전문적인 도메인 지식이 요구되는 기술적 한계가 존재합니다.

본 기술은 자동음성인식(ASR)과 감성 분석을 결합한 인터액티브 강화학습 프레임워크를 구축하여, 음성 피드백을 -1에서 1 사이의 실수형 보상 값으로 자동 변환하고 이를 DQN 모델의 학습 보상 함수에 통합하여 사람의 직관적 피드백을 통한 학습 수렴 속도 및 성능을 향상합니다.

‍

‍

Key Features:

• 로봇의 카메라로 테이블 상태 이미지를 촬영하여 Deep Q-Network(DQN)에 전달하는 단계
• DQN의 이미지 분석을 통해 예측한 테이블 균형맞춤 동작을 구동하는 단계
• 사람으로부터 수신한 평가적 음성 피드백으로부터 균형맞춤 동작의 긍정 및 부정 정도를 평가하는 단계
• 음성 피드백의 긍정·부정 정도에 따라 보상 값을 계산하고 다수 에피소드를 학습한 DQN으로 균형맞춤 동작을 출력하는 단계

‍