사람이 물건을 만졌을 때에 느끼는 금속과 같은 차가운 촉감이나 목재 특유의 따뜻함, 솜의 포근한 감촉과 같은 촉각으로부터 느끼는 질감은 뇌의 처리에 의해 부여된다. 질감을 느끼는 방식은 과거의 경험이나 나이에 따라 개인차가 발생한다. 예를 들어 숙련된 목수는 목재를 만지는 것만으로 목재의 상태나 품질을 순간적으로 간파하는 뛰어난 촉각 감성을 가지고 있으며, 의사는 환자를 촉진함으로써 미묘한 이상을 발견할 수 있다.

 

사람이 물건을 만졌을 때에 뇌 안에서 느끼는 질감은 개인차가 있기 때문에 몇 가지 요소로부터 감각을 얻고 있는지 해명하는 것은 어렵다. 그러나 생리학적으로 본 촉각 수용기의 종류를 고려해 크게 ‘압력’, ‘진동’, ‘온도’의 세 가지 요소로부터 복합적으로 판단하고 있다고 할 수 있다. 이는 해부학적으로도 지적되고 있는데, 선행 연구에서도 감각 시험을 통해 이들 인자를 확인하고 있으며, 세 가지 인자로 재질 인식의 시스템을 구축하는 데 성공했다. 이 글에서는 질감의 요소를 질감 인자라고 부르며, 각각 ‘경도 인자’, ‘표면 상태 인자’, ‘온도 인자’라고 부른다.

 

특정 감각에 주목한 것으로, 표면 상태에 주목한 촉각 감성의 연구나 열 촉각에 관한 연구 등이 있다. 또한 촉각 센서 자체의 개발에 관해서는 고분자 압전 재료를 이용한 것이나 변형 게이지를 이용하는 것, 유기 트랜지스터를 이용하는 것, 빛을 이용하는 것 등이 있다. 촉각을 탑재한 로봇의 응용 예로서 타테아키라씨의 섬세한 촉감을 전달하는 텔레익지스턴스 시스템(Teleexistence System)이 있다.

 

협동로봇은 사람의 생활 속에서 일을 수행하는 경우가 많다고 생각되기 때문에 사람에 대해 안전한 것이 중요한 요소이다. 안전성을 확보하기 위해 구동 액추에이터에 공기압을 이용하는 것이 고려된다. 공기압에는 압축성이 있어 안전면에서 효과적이다. 더구나 공기압에는 사람이 하는 것과 같은 섬세한 동작도 실현할 수 있다.

 

협동로봇이 사람의 생활 속에 들어가 일을 할 때 문제가 되는 것은 자율적으로 외부 정보를 수집하고 판단하는 것이다. 정보 수집 수단으로서 시각 정보나 청각 정보의 인식 분야에서는 이전부터 다른 연구자에 의해 연구가 진행되어 각각 완성도가 높은 센서가 존재한다. 그러나 사람이 물건을 만졌을 때에 처음으로 정보를 얻는 감각인 촉각에 관해서는 경도, 탄력성, 표면 거칠기, 점탄성, 온도 변화 등 촉각에 필요한 물리적인 요소의 특정이 어렵기 때문에 용도에 따라 기능이 제한된 것은 있으나 범용성이 높은 표준적인 센서는 없는 것이 현 상태이다. 이로 인해 소프트웨어 등의 축적이 어렵기 때문에 촉각을 필요로 하는 응용 분야의 연구 개발 효율이 저하되고, 촉각을 필요로 하는 시스템의 보급·발전의 장애가 되고 있다.

 

 

해당 시스템은 변형 게이지와 열전대를 이용하여 표면 상태, 경도, 온도를 검출하는 관절을 가진 인공 손가락을 제작하고, 공기압 액추에이터를 이용하여 능동적인 촉지각 동작을 도입함으로써 사람에 가까운 촉각 감성 기능을 가진 공기압식 인공 손가락이다. 또한 이들에 의해 질감 인자를 사람으로부터 얻은 평가와 동등하게 하기 위해 기계학습에 의한 재질 인식을 하여 사람과 동등한 재질 판별을 할 수 있는 로봇용 인공 손가락 시스템을 구축했다.

 

시스템 개요

 

인공 손가락에 의한 재질 인식 시스템의 개요도를 그림 1에 나타냈다. 인공 손가락에 부착한 변형 게이지, 열전대 2종류의 센서는 데이터로거로 동시에 수집하여 외부 환경의 정보를 얻을 수 있다. 경도 인자는 피부와 대상물이 접촉했을 때의 피부 변형을 나타내며, 인공 손가락이 대상 시료에 접촉했을 때의 변형을 변형 게이지로 측정한다. 표면 상태 인자는 피부와 대상물이 마찰할 때에 발생하는 진동을 나타내며, 변형 게이지의 변형량을 미분하여 가속도를 산출하고 이를 인공 손가락의 진동으로 정의한다. 온도 인자는 피부와 대상물이 접촉했을 때의 열 이동을 나타낸다. 인공 손가락을 미리 사람 피부로 가온해 두고 시료에 접촉했을 때의 온도 변화를 열전대에 의해 측정한다. 이들 세 가지 인자에 의한 측정값은 단순한 물리량이며, 각 질감 인자를 바탕으로 사람의 촉각 감성을 재현시킬 필요가 있다. 촉각 감성은 동력원인 공기압을 기계학습으로 최적화시킨다.

 

 

컴퓨터 시스템은 전기공압 레귤레이터에 의한 공기압 실린더의 압력 제어와 기계학습 처리를 수행하고 있다. 두 가지는 원칙적으로 서로 독립되어 실행되는데, Datalogger에서 파형 데이터 취득은 양쪽 모두 이루어지고 있다. 실린더 제어는 능동적인 촉지각 동작을 수행하기 위해 필요하며, 재질 인식은 계측 중인 모든 데이터가 필요하게 된다. 취득 데이터는 재질 인식을 우선하고 실린더의 압력 제어를 수행한다. 사람이 물체 표면을 문지를 때, 물체 표면에서 손가락이 스틱-슬립 현상을 일으키는 것이 질감의 일부를 구성한다고 생각된다. 따라서 압축성을 가지며 저강성인 공기압 액추에이터를 이용함으로써 사람이 물체 표면을 문지르는 동작에 보다 가까운 상태를 실현하는 로봇용 인공 손가락을 개발했다. 이 시스템의 인공 손가락을 그림 2에 나타냈다.

 

 

인공 손가락의 골격 부분에는 알루미늄을 사용하고, 골격 바로 아래에 인공 손가락을 사람 피부로 가온하기 위한 실리콘 러버 히터를 설치해 두었다. 골격 주위를 덮는 사람 손가락을 모방한 부분은 연질 폴리우레탄 수지를 사용한다. 센서는 변형 게이지를 인공 손가락 끝부분에서 뿌리까지 4개를 배치하였으며, 열원은 인공 손가락 중앙부, 열전대는 변형 게이지와 열원 사이에 배치되어 있다.

 

사람의 촉각 감성 기능의 심리 평정

 

사람이 촉각 감성 기능에 의해 재질을 인식할 때의 손가락 동작에 대해 설명한다. 사람이 시각 정보가 아니라 촉각 정보로 물건의 정보를 알려고 할 때, 물건에 접촉하는 사이에 무의식적으로 물건에 압력을 가하고, 더 나아가 조금 문질러 보는 행동을 한다. 사람은 물건에 접촉했을 때에 압력을 가해 ‘경도’를 확인하고, 문질러서 ‘표면 상태(요철이나 형상)’를 느낀다. 또한 물건에 접촉한 순간에 차가움이나 따뜻함 등도 느낄 수 있으므로 거기서 ‘온도’도 확인할 수 있다. 이들은 촉각 인식을 수행하는 데 있어 중요한 요소가 된다.

 

손가락이 물건에 접촉할 때의 동작이나 특징이 재질 인식할 때에 보다 많은 정보를 얻는 것으로 연결된다고 생각되며, 더 나아가 사람이 손가락 끝에 집중하는 신경이 더 민감하게 물건 상태를 느낌으로써 인식을 돕고 있다고 할 수 있다.

 

사람은 촉각을 통해 인식할 때에 손가락 끝 또는 표면에 존재하는 여러 가지 수용기와 뇌를 이용하여 재질 인식을 하고 있다. 그러나 이것은 당연히 개인차가 있으며, 일정한 평가값이라는 것은 존재하지 않는다. 이 시스템에서는 인공 손가락을 통해 측정된 데이터를 바탕으로 정량적인 값과 비교하여 사람의 촉각 감성 기능을 가진 재질 인식 시스템을 실현시킬 필요가 있다. 해당 시스템에서는 심리 평정법에 의해 인간의 촉각 감성을 모델로, 이하에 설명하는 기계학습에 의한 촉각 감성 결과와 비교를 한다.

 

이 실험에 사용할 측정 샘플 자료를 선정한다. 재질의 종류는 무수히 많이 존재하지만, 그 중에서도 특히 일상생활에서 자주 볼 수 있는 재질의 7종류를 샘플로 채용했다. 7종류를 선택하는 데 있어서는 재질 인식에 필요한 ‘경도 인자’, ‘표면 상태 인자’, ‘온도 인자’에 따라 질감 인자를 편향시키지 않고 선정할 필요가 있다. 따라서 경질의 시료부터 연질의 시료, 표면 요철이 심한 시료부터 매끄러운 시료, 온도 변화가 큰 시료부터 변화가 적은 시료까지를 대상으로 하여 알루미늄, 아크릴, 타일, 오일 가죽, 글러브 가죽, 코르크, 인공 잔디의 7종류를 준비했다.

 

경도 인자는 물건이 단단하다고 느낄수록 수치를 높게 한다. 기준 시료는 가장 부드럽다고 느끼는 것으로 인공 잔디를 이용했다. 표면 상태 인자는 시료 표면의 요철이 심할수록 값이 높아진다. 기준 시료는 가장 표면 거칠기가 작은 타일을 선정했다. 온도 인자는 시료에 접촉했을 때에 차갑다고 느낄수록 값을 높게 하기 위해 전열성이 낮은 인공 잔디를 기준 시료로 했다. 심리 평정 결과로부터 ‘경도 인자’, ‘표면 상태 인자’, ‘온도 인자’의 세 가지 인자에 대해 개인차는 있으나, 그 경향은 대체로 일치했다. ‘경도 인자’에서는 피험자가 단단한 시료로 타일, 부드러운 시료로 인공 잔디를 인식하고 있다는 것을 알 수 있다. 그러나 가죽 소재나 코르크 등 특징이 적은 시료의 경우는 피험자에 따라 인식의 폭이 넓었다. ‘표면 상태 인자’에서는 피험자가 거친 시료로 인공 잔디, 매끄러운 시료로 타일을 인식했다. 기타 시료에서는 피험자에 따라 큰 차이는 보이지 않았다. ‘온도 인자’에서는 피험자가 온도 차가 큰 시료로 알루미늄, 작은 시료로 인공 잔디를 인식했다.

 

기계학습의 도입

 

해당 시스템에서는 신경 회로망을 모방한 뉴럴 네트워크를 이용하여 재질 인식을 하고 있다. 뉴럴 네트워크는 시그모이드 함수(Sigmoid Function)를 이용한 다층 퍼셉트론(Multilayer Perceptron)을 사용하며, 학습 방법으로 오차 역전파법을 사용하기로 했다. 훈련 데이터 구성으로는 센서값을 신경 모델에 의한 활동 전위 변환에 통과시켜 얻은 각 질감 인자(경도 인자, 표면 상태 인자, 온도 인자의 세 가지)의 임펄스 발화 빈도를 입력 데이터로 하고, 시료명을 교사 데이터로 했다. 교사 데이터는 시료명이라는 기호 데이터를 수치화하기 위해 이번에는 각각 다른 유닛에 할당하는 방법을 사용했다. 이것은 판별 가능한 7종류의 각 시료명을 각각 다른 유닛에 할당하여 각각의 출력값을 1로 하는(평가시험 결과로부터 동일한 평가가 얻어지는 시료는 동일한 유닛에 1을 할당한다) 방법이다. 이 방법은 출력값이 엄밀히 0이나 1이 아니어도 예를 들어 0.7 정도라도 1로 간주할 수 있으므로 학습 오차를 크게 할 수 있고, 범용성이 높은 뉴럴 네트워크를 구축할 수 있는 장점이 있다.

 

재질 인식을 시키는 데 있어 재료, 표면 성상, 온도에 대해 최적의 문지르는 방법이 존재할 것이며, 인간은 그것을 감각적으로 수행하고 있다. 선행 연구에서는 압력과 관절 각도를 센서 차이가 커지도록 설정했으나, 재료에 따라서는 유의한 차이가 검출되지 않아 재질 인식이 어려운 것이 있었다. 따라서 강화학습에 의한 촉각 감성 시스템을 구축함으로써 재료마다의 특성이 유의한 차이를 가지고 검출할 수 있는 인공 손가락 시스템의 구축을 목적으로 이번 실험을 실시했다. 이 시스템에서는 강화학습의 알고리즘 중 하나인 Q학습을 이용했다.

 

Mode01은 누르는 압력 일정 프로그램, Mode02는 기계학습 시스템을 탑재한 시스템에 의한 실험 결과로 한다. 3회의 계측 평균값을 ‘각 인자’ 측정값으로 하여 꺾은선 그래프로, 심리 평가값을 막대그래프로 하여 경도 인자의 실험 결과를 그림 3에 나타냈다. Mode01에서는 아크릴, 글러브 가죽, 코르크, 인공 잔디 등에서 심리 평가값과 괴리가 보였다. Mode02에서는 글러브 가죽에서는 괴리가 보였으나, 다른 소재에서는 개선되어 심리 평가값과 가까운 값을 나타내고 있다. 소재에 대한 적절한 누르는 압력을 학습함으로써 인식이 어려운 소재의 인식이 가능해졌다.

 

 

마찬가지로 표면 거칠기 인자, 온도 인자에 대해 실시한 실험 결과를 그림 4, 5에 나타냈다. 표면 거칠기 인자에서는 글러브 가죽에서 개선이 보였다. Q학습에 의해 오일 가죽과 글러브 가죽처럼 경도가 비슷한 소재의 인식에 효과적이다. 그러나 온도 인자에 관해서는 Q학습에 의한 변화가 보이지 않았으며, 양쪽 모두 동일한 경향을 나타냈다. 온도 측정용 열전대가 문지르는 각도나 압력에 크게 의존하지 않는다는 것을 알 수 있었다.

 

 

 

맺음말

 

해당 시스템은 기계학습에 의한 재질 인식을 하여 사람과 동등한 재질의 판별이 가능한 로봇용 인공 손가락 시스템을 개발했다. 구체적으로는,

 

∙기계학습에 의한 촉지각 동작을 공기압 액추에이터를 이용한 인공 손가락에 도입함으로써 사람의 촉각 감성 데이터에 보다 가까운 질감 인자 데이터를 측정으로 얻을 수 있었다.

∙사람의 촉각 감성 데이터로부터 대략 분류한 시료를 판별하고, 측정 동작 중 실시간으로 식별할 수 있는 인식 시스템을 구축했다.

 

기계학습을 이용한 촉지각 동작은 사람의 감각 정보, 운동 지령을 이용하여 수행하고 있는 과정을 모방하여 동작을 구축했다. 이에 의해 기존 방법에 의한 촉지각 동작으로는 해결할 수 없었던 사람의 질감 인자와 차이가 발생하는 문제를 해결할 수 있었다. 또한 실시간 인식 시스템도 구축했다. 해당 시스템을 FPGA나 마이크로컨트롤러(Microcontroller) 등에 이식함으로써 독립된 재질 인식 시스템을 구축하는 것도 가능하고, 활동 전위 변환, 뉴럴 네트워크를 독립된 칩에 집약하여 동기시킴으로써 처리 시간을 단축하는 것도 가능하다고 생각한다.

 

요시미츠 토시타카, 가나가와공과대학 |