• Proceedings of the Korean Information Science Society Conference
• /
• 2002.10d
• /
• pp.349-351
• /
• 2002

베이지안 네트워크는 변수들간의 원인-결과 관계를 확률적으로 모델링하기 위한 도구로서 소프트웨어 사용자의 목적을 추론하기 위해 널리 이용된다. 행동기반 로봇 설계는 반응적(reactive) 행동 모듈을 효과적으로 결합하여 복잡한 행동을 생성하기 위한 접근 방법이다. 행동의 결합은 로봇의 목표, 외부환경, 행동들 사이의 관계를 종합적으로 고려하여 동적으로 이루어진다. 그러나 현재의 결합 모델은 사전에 설계자에 의해 구조가 결정되는 고정적인 형태이기 때문에 환경의 변화에 맞게 목표를 변화시키지 못한다. 본 연구에서는 베이지안 네트워크를 이용하여 현재 상황에 가장 적합한 로봇의 목표를 설정하여 유연한 행동선택을 유도한다. Khepera 이동로봇 시뮬레이터를 이용하여 실험을 수행해 본 결과 베이지안 네트워크를 적용한 모델이 상황에 적합하게 목적을 선택하여 문제를 해결하는 것을 알 수 있었다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.04b
• /
• pp.580-582
• /
• 2004

방대한 양의 웹 정보를 적절히 가공하여 사용자가 원하는 서비스를 생성하기란 쉽지 않다. 웹서비스는 사용자가 원하는 적절한 정보를 표준화된 인터페이스를 통해 처리할 수 있는 기능을 제공하고 결합을 통해 보다 복잡한 서비스를 생성할 수 있도록 해준다. 오프라인에서 물품을 사기 위해 상점에 들어갈 때 점원의 도움을 받는 것처럼 웹서비스도 상황에 맞춰 유연하게 제공되어야 한다 그러나 일반 웹서비스 생성은 사용자의 정보를 능동적으로 판단하지 않고 정적인 규칙에 의존한 결합이 주를 이루고 있다 본 논문의 서비스 에이전트는 행동 네트워크를 사용하여 사용자에게 적절한 서비스를 제공한다. 행동 네트워크는 외부환경과 내부목표를 바탕으로 각각의 행동들이 서로 연결 관계를 가지고 있다. 각각의 행동의 선택은 다른 행동과 외부환경에 영향을 주기 때문에 동적으로 사용자의 환경과 입력이 변하여도 적절히 대처하며 서비스 선택을 할 수 있다. 행동 네트워크를 바탕으로 동적 서비스 생성 시스템을 만들었고, 이를 이용하여 Amazon 도메인에서 능동적인 서비스 제공이 가능함을 보였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2001.10a
• /
• pp.551-554
• /
• 2001

분산 인공지능 분야에서는 여러 개의 기본 객체들이 상호작용을 통해 원하는 작업을 수행하는데, 그 한 예로 행동기반 이동로봇 제어 시스템을 들 수 있다. 이것은 여러 개의 기본 행동 모듈을 개발한 후, 적절한 조정방법을 사용하여 어려운 문제를 해결하며, 행동 네트워크는 행동 모듈들간의 협력과 억제를 모델링 하여 주어진 작업을 달성하도록 행동들의 실행순서를 조정하는 방법중의 하나이다. 정적으로 행동을 선택하는 규칙기반 결합 방법과는 달리 목표에 기반 하여 행동 네트워크는 다양한 행동들의 실행순서를 동적으로 선택한다는 장점이 있다. 본 논문에서는 진화 방식으로 설계된 기본 행동 모듈을 행동 네트워크와 규칙기반 방법으로 선택하는 실험을 수행하며, 그 결과 행동 네트워크가 변화하는 환경에서도 좋은 성능을 보인다는 사실을 확인할 수 있었다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2003.10a
• /
• pp.46-48
• /
• 2003

본 논문에서는 실제환경에서와 같이 예측할 수 없는 상황에서 에이전트의 인지와 자동 행동 생성 방법을 제안한다. 전통적인 에이전트의 지능제어 방법은 환경에 대해 알고 있는 정보를 이용한다는 제약 때문에 다양하고 복잡한 환경에 적응할 수 없었다. 최근, 미리 알려지지 않은 환경에서 자동으로 행동을 생성할 수 있는 센서와 행동을 연결하는 행동 기반의 방법과 추론, 학습 및 계획 기능의 부여를 위한 하이브리드 방법이 연구되고 있다. 본 논문에서는 다양한 환경조건으로 움직이는 장애물을 인지하고 피할 수 있는 행동을 생성하기 위해 행동 네트워크에 Bayesian 네트워크를 결합한 방법을 제안한다. 행동 네트워크는 입력된 센서 정보와 미리 정의된 목적 정보를 가지고 다음에 수행할 가장 높은 우선순위의 행동을 선택한다. 그리고 Bayesian 네트워크는 센서 정보들로부터 상황을 미리 추론하고 이 확률 값을 행동 네트워크의 가중치로 주어 행동 선택을 조정하도록 한다. 로봇 시뮬레이터를 이용한 실험을 통해 제안한 행동 네트워크와 Bayesian 네트워크의 결합 방법으로 움직이는 장애물을 피하고 목적지를 찾아가는 것을 확인할 수 있었다.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.12 no.1
• /
• pp.19-26
• /
• 2002

There are some difficulties to construct a sensory-motor controller for an autonomous mobile robot such as coordinating the mechanics and control system parts of the robot, and managing interaction with external environments. In previous research, we evolve the CAM-Brain, neural networks based on cellular automata, to control an autonomous mobile robot. In this paper, we propose the method of combining multi-modules evolved to do simple behavior in order to making more sophisticated behaviors because the controller composed of one neural network module is difficult to make complex behaviors. In experimental results, we can get the controller adapting to more complex environments by combining CAM-Brain modules evolved to do simple behavior by rule-based approach.

• The Journal of the Korea Contents Association
• /
• v.11 no.12
• /
• pp.220-229
• /
• 2011

The present research integrates the core aspects of anger with the theory of planned behavior to investigate factors influencing online activism in a Web site. This study conducted online survey, and the sample was members who joined the V4400 Sobi-ja-heem Web site. The Web site Sobi-ja-heem was initiated by a consumer who was irritated at the cell phone manufacturer Samsung Inc. because its model, "Anycall" had major product defects such as the malfunction of the camcorder, poor tone quality, fuzziness of the screen, and broken text messages. The findings suggests that adding anger in Theory of Planned Behavior (TPB) enhances the explanatory power of the theory in predicting an intention to participate in activities to correct the issue, which indicates the possibility of combining emotion and the TPB in the prediction of online activism.

• Proceedings of the Korean Information Science Society Conference
• /
• 2002.04b
• /
• pp.268-270
• /
• 2002

본 논문에서는 온라인 뉴스 기사를 여과하여 사용자에게 관련있는 뉴스기사만을 선별적으로 여과하여 보여주는 정보여과 에이전트를 설계 및 구현하였다. 정보여과의 핵심이라고 할 수 있는 정확한 사용자 프로파일 구축과 정보에 대한 사용자의 적합성 반응인 명시적 피드백과 암시적 피드백을 모두 결합한 피드백을 사용하여 사용자 프로파일을 좀 더 정교하게 구축하는 방법을 기술하였다. 실험을 통하여 사용자의 결합된 적합성 피드백 행동에 기반한 정보여과 에이전트의 성능이 단일의 피드백만을 사용했을 때보다 더 좋은 정확성과 적응성을 지니고 있음을 보여 주었다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.10a
• /
• pp.94-96
• /
• 2004

에이전트의 '물체 따라가기'는 전통적으로 자동운전이나 가이드 등의 다양한 서비스를 제공할 수 있는 기본적인 기능이다. 여러 가지 물체가 있는 환경에서 '물체 따라가기'를 하기 위해서는 목적하는 대상이 어디에 있는지 찾을 수 있어야 하며, 실제 환경에는 사람이나 차와 같이 움직이는 물체들이 존재하기 때문에 다른 물체들을 피할 수 있어야 한다. 그런데 에이전트의 최적화된 피하기 행동은 장애물의 모양과 크기에 따라 다르게 생성될 수 있다. 본 논문에서는 다양한 모양과 크기의 장애물이 있는 환경에서 최적의 피하기 행동을 생성하면서 물체를 추적하기 위해 반응형 에이전트의 행동선택을 강화학습 한다. 여기에서 정확하게 상태를 인식하기 위하여 상태를 추론하고 목표물과 일정거리를 유지하기 위해 베이지안 추론을 이용한다 베이지안 추론은 센서정보를 이용해 확률 테이블을 생성하고 가장 유력한 상황을 추론하는데 적합한 방법이고, 강화학습은 실시간으로 장애물 종류에 따른 상태에서 최적화된 행동을 생성하도록 평가함수를 제공하기 때문에 베이지안 추론과 강화학습의 결합모델로 장애물에 따른 최적의 피하기 행동을 생성할 수 있다. Webot을 이용한 시뮬레이션을 통하여 다양한 물체가 존재하는 환경에서 목적하는 대상을 따라가면서 이종의 움직이는 장애물을 최적화된 방법으로 피할 수 있음을 확인하였다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2000.10b
• /
• pp.137-139
• /
• 2000

이동로봇을 위한 제어기를 개발하려는 폭넓은 연구가 진행되어 왔다. 특히, 몇몇 연구가들은 유전자 알고리즘이나 유전자 프로그래밍과 같은 진화 알고리즘을 사용하여 장애물 피하기, 포식자 피하기, 이동하는 먹이 잡기 등의 기능을 수행하는 이동로봇 제어기를 개발하였다. 이러한 연구 선상에서, 우리는 이동로봇을 제어하기 위해 셀룰라 오토마타 상에서 진화된 CAM-Brain을 적용하는 방법을 보여왔다. 그러나, 이러한 접근방법은 로봇이 복잡한 환경에서 적합한 행동을 수행하도록 만드는데 한계가 있었다. 본 논문에서는, Maes의 행동선택 방법론을 이용하여 간단한 행동을 하도록 진화된 모듈들을 결합함으로써 이러한 문제를 해결하려고 한다. 실험 결과는 이러한 접근방법이 복잡한 환경을 위한 신경망 제어기를 개발하는데 가능성이 있음을 보여주었다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.11a
• /
• pp.1218-1219
• /
• 2023

본 논문은 반려동물의 행동 분석을 개선하기 위해 IMU 센서 데이터와 딥러닝 모델을 결합하는 방법을 제안한다. 이를 위해 IMU 웨어러블 디바이스를 통해 행동 데이터를 수집한다. 수집된 데이터는 총 6개의 클래스로 앉다. 서다. 엎드리다, 먹다, 킁킁대다, 걷다로 분류된다. 분류된 데이터는 클래스별로 데이터 증강 및 전처리 단계를 거친다. 행동 분류를 위해 ResNet과 LSTM을 결합한 하이브리드 모델을 사용하여 학습을 진행했다. ResNet-LSTM은 Accuracy 97%, F1-score 96%로 높은 성능을 보여주었다.