DBPIA-NURIMEDIA

Size: px

Start display at page:

Download "DBPIA-NURIMEDIA"

상태 호
7 years ago
Views:

1 56 정보과학회논문지 : 컴퓨팅의실제제 12 권제 1 호 (2006.2) 로봇의효과적인서비스를위해베이지안네트워크기반의실내환경의가려진물체추론 (Reasoning Occluded Objects in Indoor Environment Using Bayesian Network for Robot Effective Service) 송윤석 조성배 (Youn-Suk Song) (Sung-Bae Cho) 요약최근서비스로봇에대한연구가여러분야에서활발해지며, 노인보조와같은실내서비스를위한연구가많이이루어지고있다. 이때로봇이효과적이고정확한서비스를하기위해서물체와상황을적절하게인식하는것은중요하다. 전통적인물체인식방법은미리정의된기하학적모델에기반하였으나이런접근방법은대상물체가다른물체에가려져보이지않는상황등불확실성을포함하는실내환경에서는한계가있다. 본논문에서는로봇의효과적인물체탐색을위해대상이되는물체의존재가능성을추론하기위한베이지안네트워크모델을제안한다. 이를위해활동별로물체간의관계를모델링하여고정되어있지않은환경에보다유연하게적용될수있게하였다. 전체적인구조는공통 - 원인구조를물체간의관계를나타내는단위로사용하여이를결합해가며구성되는데이러한방법은베이지안네트워크설계를효과적이게한다. 제안하는베이지안네트워크모델을검증하기위해두개의베이지안네트워크의성능을실험을통해검사하였는데각각 86.5% 와 89.6% 의정확도를보였다. 키워드 : 가려진물체탐색, 영상이해, 서비스로봇, 베이지안네트워크 Abstract Recently the study on service robots has been proliferated in many fields, and there are active developments for indoor services such as supporting for elderly people. It is important for robot to recognize objects and situations appropriately for effective and accurate service. Conventional object recognition methods have been based on the pre-defined geometric models, but they have limitations in indoor environments with uncertain situation such as the target objects are occluded by other ones. In this paper we propose a Bayesian network model to reason the probability of target objects for effective detection. We model the relationships between objects by activities, which are applied to non-static environments more flexibly. Overall structure is constructed by combining common-cause structures which are the units making relationship between objects, and it makes design process more efficient. We test the performance of two Bayesian networks for verifying the proposed Bayesian network model through experiments, resulting in accuracy of 86.5% and 89.6% respectively. Key words :Detecting occluded objects, Image Understanding, Service Robot, Bayesian Network 1. 서론 최근서비스로봇에대한연구가활발하다 [1,2]. 특히선진국가에서는노인들의생활을보조하기위한연구 이논문은산업자원부지원으로수행하는 21세기프론티어연구개발사업 ( 인간기능생활지원지능로봇기술개발사업 ) 의일환으로수행되었습니다. 학생회원 : 연세대학교컴퓨터과학과 corlary@sclab.yonsei.ac.kr 종신회원 : 연세대학교컴퓨터과학과교수 sbcho@cs.yonsei.ac.kr 논문접수 : 2005년 7월 1일심사완료 : 2005년 10월 26일 등, 실내환경에서기능하는로봇에대한연구가증가하고있다 [3,4]. 로봇이실내환경에서동작할때, 상황을인식하고서비스하기위해물체를인식하는것은중요하다. 물체를인식하기위한전통적인연구는고정된환경에서영상안에있는정보를바탕으로특징을추출하고미리설계되어있는기하학적모델을통해서물체의존재여부와위치등을결정하였으나영상안에서물체가가려져있거나너무작은경우, 이러한방법만으로는물체를인식하는데실패하기쉽고이후로봇의행동을결정하기어렵다 [5]. 이에이러한불확실한상황을다루는것은서비스로봇을위해중요하다.

2 로봇의효과적인서비스를위해베이지안네트워크기반의실내환경의가려진물체추론 57 시각정보를통해서물체를감지하거나찾기위한연구는오래전부터있어왔다. 과거연구들은물체를인식할때두가지가정에기반하였는데, 첫째는관심의대상이되는모든물체는상대적으로적은수의형태- 모델들 (shape-models) 을통해서정의될수있어야하고둘째는지역적으로측정될수있는특징을가지고있어야한다는것이다 [5,6]. 이런가정하에전통적인시스템들은주로산업현장에서미리정의된기하학적인모델을통해물체의위치나방향을알아내는데사용되었다. 하지만환경이고정되어있지않은실내환경에서는이와같은가정과기하학적인모델만으로는물체를인식하고판단하는데한계가있다. 따라서기하학적모델과함께지식을사용하여성능을향상시키려는연구가있어왔다. Torralba 등은 Hidden Markov Model을사용하여장소간이동을모델링하여영상으로부터모아진특징벡터들을통해장소를인식하고이에따라물체를인식할때우선순위를주도록하였다 [7]. Marengoni 등은항공사진분석시스템인 Ascender I에베이지안네트워크와유틸리티값을사용하여적절한영상처리함수를선택하고결정하는방법을제안하였다 [8,9]. 이를통해시스템은계산량을감소시키고정확도를향상시킬수있었다. Sang-Ho 등은사람의행동과상호작용을인식하기위해서사람의신체구조를머리와몸, 팔, 다리등으로나누고영상처리과정을통해신체부위의위치와방향등을알아내어이를베이지안네트워크를통해전체적인움직임을추론하도록하였다. 이렇게얻어진정보를다시동적베이지안네트워크를사용해서시간에따른각부위의움직임을추론하도록하여고수준의정보를얻어냈다 [10]. Socher 등은시각정보와음성정보를함께고려하여물체를인식하기위한베이지안네트워크를설계하였다. 그들은물체의종류를루트노드로갖고장면정보와음성정보를부분트리로둔형태로베이지안네트워크를설계하여장면인식과음성인식에서발생하는불확실성을보완, 이를해결하도록하였다 [11]. Luo 등은색, 텍스쳐와같은저수준특징벡터와함께물체수준의의미정보를함께사용하여장면을이해하는베이지안네트워크프레임워크를제안하였다 [12]. 이는저수준특징벡터를사용할때발생하는특징추출알고리즘의한계와이미지상태에서발생하는불확실성을보완하여보다정확한결과를보여주었다. 본논문에서는가변적인실내환경에서로봇이물체를인식하거나찾을때, 이미인식된물체정보를통해대상이되는물체의존재가능성을추론함으로써로봇이물체를찾는데있어불확실성을해결하고불필요한 물체인식계산을줄이기위한활동-물체베이지안네트워크를제안한다. 2. 베이지안네트워크베이지안네트워크는베이즈규칙을기반으로노드로표현되는각변수의의존관계를통해확률값을추론하여신뢰값을구하기위한 DAG (Directed Acyclic Graph) 모델이다. 노드들간의관계는방향을가진에지를통해표현되며, 원인이되는부모노드와결과가되는자식노드로나뉘어진다. 각노드는여러개의속성을가질수있고이들의합은 1이된다. 부모를가진자식노드들은의존관계를나타내는확률테이블을가지고있고부모가없는노드들은초기확률값을갖는다. 베이지안네트워크는부분적인증거만으로도추론이가능하기때문에불확실한조건에서부분적인신뢰도를얻는데사용될수있다 [13]. 부모가한개일때자식노드의확률값은다음의식을통해서얻어진다. PA ( ) = PABPB ( i) ( i) i 식에서 B는 A노드의부모노드이고 i는부모노드의상태수이다. A노드의확률값은부모노드가가진상태의확률값과자식노드가가지고있는조건부확률값의곱으로표현된다. 일반적인노드들사이의확률분포 P(x 1,x 2,...,x n) 은다음과같이나타난다. P( x1, x2,..., xn) = P( xi Parents( Xi)) i 그림 1은베이지안네트워크의예를보여준다. 그림 1 아시아네트워크, Lauritzen, 1988 베이지안네트워크에서추론은크게예측방향과진단방향으로나뉘어져확률값의전파로이루어진다. 그림 1에서결핵 (Tuberculosis) 이나폐암이있을때흉부에이상이올것을추론하여 X-레이결과나호흡곤란 (Dyspnea) 증상을예측하는것이전자에속하고, X- 레이결과나호흡곤란증상을관측함으로써결핵이나

58 정보과학회논문지 : 컴퓨팅의실제제 12 권제 1 호 (2006.2) 폐암을원인으로추론하는것이후자에속한다. 베이지안네트워크에서추론속도는얼마나노드들이연결되어있는지, 루프의수, 증거와질의노드간의위치등과같은구조적인요인에영향을받는데, 노드간의경로가여러개존재할경우엔계산이어려워지기때문에근사값을사용하는알고리즘을적용한다 [14].

3 58 정보과학회논문지 : 컴퓨팅의실제제 12 권제 1 호 (2006.2) 폐암을원인으로추론하는것이후자에속한다. 베이지안네트워크에서추론속도는얼마나노드들이연결되어있는지, 루프의수, 증거와질의노드간의위치등과같은구조적인요인에영향을받는데, 노드간의경로가여러개존재할경우엔계산이어려워지기때문에근사값을사용하는알고리즘을적용한다 [14]. 단일경로구조를갖는베이지안네트워크에서는조건부독립조건과베이즈규칙을적용하여추론이이루어진다. 두노드 X,Y의관계가 X Y와같을때 X가증거노드이면 Y의확률값추론은확률테이블을통해서이루어지고 Y가증거노드인경우엔 X의확률값추론이베이즈규칙을적용해서이루어지는데베이즈규칙은다음과같다. P( Y X ) P( X ) Bel( X ) = P( X Y ) = = αp( x) λ( x) P( Y ) (1) 1 α = 이때 P( Y ), λ( x ) = P( Y X ) 위식을바탕으로 X의모든상태값의합이 1이된다는사실을적용하여 값을구하고 Bel(X) 의확률값을계산한다. 본논문에서제안하는베이지안네트워크는이러한과정을반복적으로거치는알고리즘인메시지전달방식 [6] 을적용하여확률값을계산할수있다. 3. 활동-물체베이지안네트워크 3.1 서비스로봇제안하는방법의유용함을보이기위하여 13가지장소와 33가지물체가존재하는실내환경을설계하였다. 관계된장소와물체는표 1과같다. 이때, 서비스로봇은크게사용자요청, 이동, 세밀조사, 결과보고의 4 단계로물체를찾기위한서비스를 제공한다. 첫번째단계에서로봇은사용자로부터특정물체를찾아달라는요청을받는다. 두번째단계에서는로봇이이동을하며영상으로부터장소인식을하여현재장소에찾고자하는물체가있을가능성을베이지안네트워크를통해분석한뒤, 물체의존재가능성이일정기준값이상인지를확인한다. 이때는조금낮은기준값을사용하는데, 이와같은방법은전체적인상황을우선적으로분석하는것을고려한것으로 [15] 물체를먼저인식할때실제로물체가존재하지않는장소에서발생할수있는불필요한계산비용을줄일수있다. 두번째단계에서세밀조사가결정되면세번째단계에서물체인식을수행하는데이때, 물체인식과정중현장소에서계속탐색할지다른장소로이동할지를결정하기위한방법이필요하다. 본논문에서제안하는활동 -물체베이지안네트워크는물체들간의존재관계를통해대상물체의존재가능성을추론하여특정물체의존재가기준값이상이면위치를옮겨가며탐색을하고그렇지않으면다른장소로이동하도록한다. 마지막 4 번째단계에서는서비스로봇이사용자에게보고를하며서비스를마친다. 전체적인시스템흐름도는그림 2 와같다. 3.2 활동-물체베이지안네트워크의구조실내환경에서다른물체에가려져있거나크기가작아보이지않는물체의존재를추론하기위해서는단서가되는정보가필요하다. 이와같은정보에는장소, 다른물체등이있을수있다. 장소는특정장소에존재하는물체들을모델링하는기준으로사용되어고정된환경에서는좋은방법이될수있으나, 가변적인실내환경에서이와같은방법은한계가있다. 반면, 다른물체를통해대상물체를추론하는방법은변화하는상황에보다유연하다. 이를위해서물체간의관계를모델링하 분류장소 물체 표 1 서비스로봇환경 내용강의실, 복도, 사무실, 컴퓨터실, 계단, 엘리베이터, 화장실, 연구실, 휴게실, 회의실, 교수연구실, 세미나실, 수위실 책상, 의자, 둥근탁자, 소파, 쿠션, 강의대, 찬장, 책장, 쓰레기통, 세면대, 변기, 벽시계, 에어컨, 전화기, 컴퓨터, 마우스, LCD, 키보드, 빔프로젝터, 스크린, 오디오, 스피커, 마이크, 칠판, 파티션, 커튼, 물통, 문, 창문, 자판기, 음료수, 책, 열쇠 세미나실회의실휴게실

4 로봇의효과적인서비스를위해베이지안네트워크기반의실내환경의가려진물체추론 59 그림 2 물체를찾기위한전체적인시스템흐름도 기위한기준이필요한데, 본논문에서는활동을물체들의관계를만드는기준으로사용하였다. 활동과물체간의관계를확률적인관계로나타내는베이지안네트워크는세노드간의관계중하나인공통-원인구조를기본단위로하여이를결합해가는방법으로설계된다. 이와같은방법은물체들간의관계를작은단위에서점진적으로모델링해가는데있어유용하다 절에서는제안하는활동-물체베이지안네트워크의전체적인구조를설명하고 3.2.2절에서는기본설계단위와확률값설정과관계된내용을다룬다 절과 3.2.4절에서는각각가상노드와다른구조를갖는베이지안네트워크와관계된내용을설명한다 전체적인구조전체적인활동-물체베이지안네트워크는단일경로의트리구조이다. 이는세가지종류의노드로구성되는데활동노드 (A) 와클래스노드 (C), 프리미티브노드 (P) 이다. 활동노드는베이지안네트워크를구분하는기준이되고클래스노드는물체간의관계를만들고표현하기위한기준으로사용되며프리미티브노드는발견된물체와추론되는물체를표현한다. 설계의용이함을위해활동노드와의관련성에따라물체를공용과개별용두가지로나누고이를표현하기위해활동노드는공용클래스노드와개별용클래스노드를자식으로갖는다. 공용클래스노드는다른베이지안네트워크에서도자주사용되는클래스노드와물체노드의부모가된다. 이에속한물체들은상대적으로 일반적이면서활동노드와약한의존관계를갖는데이는공용노드의파라미터값을통해서표현된다. 여기서사용된클래스들은필요한경우파라미터수정을통해다른베이지안네트워크에서재사용된다. 반면개별용클래스노드에속한물체들은활동노드와강한관계를가지는물체들로구성되어있고전문가의지식을통해요구되는상황에맞추어설계된다. 노드들에대한내용이다음에정리되어있다. 활동노드 : A ={C public, C private}, 베이지안네트워크를구분하는기준 클래스노드 : C i ={C 1,C 2,...,C n-1,c n} {P 1,P 2,...,P m-1,p m}, 물체간의관계를표현하는생성단위의기준 프리미티브노드 : P j = Object j, 물체를표현 공용클래스노드 : 여러베이지안네트워크에서사용될수있는클래스들로구성 개별용클래스노드 : 다른베이지안네트워크와는연관이적은물체들로구성이와같은활동-물체베이지안네트워크는그림 3과같은구조를갖는다. 그림 3 기본적인구조의활동-물체베이지안네트워크

5 60 정보과학회논문지 : 컴퓨팅의실제제 12 권제 1 호 (2006.2) 제안하는베이지안네트워크의기본설계단위활동-물체베이지안네트워크의전체적인구조는클래스노드를부모로하는공통-원인구조가활동노드를루트로갖는트리에부분-트리로결합되며설계된다. 공통-원인구조는세개의노드로만들어지는인과관계중에하나의노드를두노드가부모로공유하는형태인데, 이는물체들간의관계를직접물체-물체관계가아닌하나의클래스를기준으로표현할때유용하다. 이때물체노드가갖는파라미터값은클래스와의의존관계를의미하며클래스노드를통해다른물체와관련성을갖게된다. 즉, 물체들은파라미터값과클래스노드를통해다른물체들과주고받는정보량과민감도를확률로표현한다. 이와같은구조를기반으로베이지안네트워크를설계하는것은설계를모듈화할수있어복잡한물체관계를표현하는데용이하다. 본논문에서사용하는공통-원인구조에서물체들간의존재관계는몇가지가정과식 (1) 을사용하여다음식들로부터구해진다. ' class P PclassPev = P P + (1 P )(1 P ) (2) class ev class ev 이때, P class 는현재클래스노드의확률값, P ev 는관측된물체가가지고있는확률값 ' class ' class PA ( ) = αp + (1 α)(1 P ) (3) 같은클래스에속한여러개의물체가발견되었을때발견되지않은물체의존재확률은식 (2) 와 (3) 을반복적으로계산하여구해진다. 위식은활동-물체베이지안네트워크의모든노드는이진속성을갖고부모가없는노드는초기값을 (0.5, 0.5) 로, 부모가있는노드는식 (4) 와같은조건을만족하도록초기값을갖는것을가정한다. parenti P( child parent ) = 1 ( parent 는부모의속성상태) state i i (4) 위와같은가정은증거가없을때노드들의확률값을단일한형태즉, (0.5,0.5) 로유지하게하는데이는 물체의존재를추론하는데있어중요하다. 자식노드의확률값을 라고할때다음과정에의해서이러한형태가유지된다는것이증명된다. PC ( yes P) = PC ( yes Pyes) PP ( yes) + PC ( yes Pno) PP ( no) = α (1 α) 0.5 = 0.5 이와관계된확률값설정이그림 4( 좌 ) 에나와있다. 공통-원인구조에서는부모노드에증거값이들어오게되면이를통해연결되어있는모든노드들의관계는서로독립이되어영향을주지못하게되는데이를 d-분리라고한다 [14]. 이러한문제를해결하기위해서본논문에서는클래스노드와활동노드만공통-원인구조의부모노드가될수있게하고증거값은프리미티브노드만입력으로들어올수있도록하여 d-분리를피할수있도록하였다. 관련된그림이그림 4의오른편에나와있다. 노드 A에증거값이들어온경우자식에속한 B와 C는서로독립이되어 C에들어온증거가 B 에영향을주지못하고 A와연결된다른조상노드들에도영향을줄수가없게된다. 이와같은경우가허용되면하나의노드가다른노드들사이의관계를막는 (block) 현상이발생하여발견된물체가다른물체의존재에영향을미치지못한다 가상노드식 (2) 는두물체의관계가공통-원인구조안에서클래스노드를통해서로같은영향력을주고받는다는것을보여준다. 그러나실제로두물체의관계는한물체가사용되는범위에따라서로미치는영향이다를수있다. 즉, 많은물체들과함께사용되는물체일수록다른물체의존재가능성을추론하는데사용되는정보로서의의미는적어진다. 예를들어프린터가존재할경우 A4 용지가존재할가능성은높지만 A4 용지가존재할경우프린터가존재할가능성은좀더낮다. 이와같은관계를표현하기위해본논문에서는가상노드를사용하였다. 그림 5는가상노드를사용하여 A4 용지와프린터의관계를나타낸베이지안네트워크의예이다. 그림 4 좌 : 확률테이블예. 우 : d- 분리

6 로봇의효과적인서비스를위해베이지안네트워크기반의실내환경의가려진물체추론 61 그림 5 좌 : 가상노드를사용한클래스구조, 우 : 가상노드에따른확률값차이 A4 용지와클래스노드와갖는영향력이 0.7이고프린터와클래스노드가갖는영향력이 0.9라고할때이둘사이에존재하는영향력은식 (2) 에의해서 0.66이다. 이때프린터가상노드를사용하여 A4 용지와의관계를 0.8로설정하면 A4 용지가존재할때프린터의존재는이전과같은 66% 이지만프린터가발견될때는 A4 용지의존재확률이 89% 가된다. 이처럼가상노드를사용하여서로다른영향력을갖는두물체간의관계를나타낼수있다. 가상노드에의한확률값변화는식 (2) 와같은방법으로계산되는데이는다음과같다. PA ( ) ν PA ( )' = PA ( ) ν + (1 PA ( ))(1 ν ) 이때, P(A) 는물체 A의이전존재확률, ν 는가상노드의확률값가상노드는물체가발견되었을때입력으로만사용될수있고대상물체의확률값은실제노드에서만관찰된다 다른구조와의비교활동-물체베이지안네트워크는가상노드를사용하는경우외에물체들간의관계를물체노드간의연결로표현하지않고클래스노드를사용하여공통-원인구조를생성단위로표현하기때문에구조상여러장점을갖는다. 이는전체적으로트리구조를유지할수있어나이브베이지안네트워크와같은계산복잡도를갖지만물체들간의관계가클래스로구분되어더효과적으로물체들간의관계를표현할수있다 [16,17]. 또각물체들간의존재관계를직접표현하는다중-연결구조나완전-연결구조를가진베이지안네트워크보다훨씬적은수의확률테이블로물체들간의관계를표현할수있고초기확률값을단일한형태로유지하기가쉽다. 이는이와같은구조를통해큰규모의실제환경에서도베이지안네트워크를적용할수있다는것을보여준다. 그림 6에는여러구조로그려진활동-물체베이지안네트워크가있다. 표 2에는같은내용을나타내는데필요한확률테이블수와이에따른각구조의복잡도 그림 6 여러구조로표현된활동-물체베이지안네트워크구조좌상 : 나이브. 우상 : 계층적트리구조. 좌하 : 다중연결구조. 우하 : 완전연결구조

7 62 정보과학회논문지 : 컴퓨팅의실제제 12 권제 1 호 (2006.2) 표 2 여러구조의스펙 나이브 완전연결 계층적트리 물체수 n n n 확률값수 2 2 (n-1)+2 2(2 n -1) 2 2 (n+ -1)+2 복잡도 O(n) O(2 n ) O(n) 가있다. 4. 실험및결과 4.1 실험환경 실험은활동-물체베이지안네트워크의성능을검사하 기위해수행되었다. 이를위해발표와휴식활동-물체베이지안네트워크를사용하였는데, 발표를위한베이지안네트워크는 26개의노드로구성되어있고휴식을위한베이지안네트워크는 20개의노드로구성되어있다. 두활동물체베이지안네트워크의전체적인구조가그림 7과 8에있고표 3에구체적인스펙이나와있다. 실험은로봇이세미나실에존재하는빔프로젝터와휴게실에존재하는음료수를찾기위해정해진순서에따라각장소를다니며활동-물체베이지안네트워크를사용한결과를관찰한결과이다. 본실험에서는설계된 그림 7 발표활동 - 물체베이지안네트워크 그림 8 휴식활동 - 물체베이지안네트워크 표 3 활동 - 물체베이지안네트워크의스펙 발표활동베이지안네트워크 휴식활동베이지안네트워크 활동발표휴식 클래스 프리미티브 공용 { 가구, 컴퓨터관련, 컴퓨터부품, 오디오도구 } 개별용 { 강의도구, 오디오도구, 영상도구 } 의자, 책상, 마우스, 키보드, 모니터, 컴퓨터, 스피커, 오디오, 강의대, 마이크 2, ( 가상 ) 마이크, 칠판, 스크린, 빔프로젝터 공용 { 가구 1, 오디오도구 }, 개별용 { 마실것, 가구 2} 의자, 책상, 스피커, 오디오, 마이크, ( 가상 ) 마이크 2, 자판기, 음료, ( 가상 ) 음료, 소파, 둥근탁자 총노드수 26 20

로봇의효과적인서비스를위해베이지안네트워크기반의실내환경의가려진물체추론 63 베이지안네트워크의성능검사를위해물체의발견가능성이확률적으로구성되어있는실험환경에서임의의순서로발견된물체들을베이지안네트워크에적용하였다. 실험장소는컴퓨터실, 연구실, 휴게실, 회의실, 세미나실, 수위실의 6가지장소이다. 4.

이는설계된베이지안네트워크가전문가지식을잘반영하고있음을보여준다. 하지만기준값을 70% 로했을경우프로젝터가존재하는환경과유사한컴퓨터실에서는 False-Positive 오류가발생함을알수가있다. 이는물체를찾으면서증거가누적되기때문인데이를통해베이지안네트워크의성능이물체를찾는횟수나기준값에영향을받을수있음을알수있다. 그림 10 에는두베이지안네트워크의성공률이나와있다.

8 로봇의효과적인서비스를위해베이지안네트워크기반의실내환경의가려진물체추론 63 베이지안네트워크의성능검사를위해물체의발견가능성이확률적으로구성되어있는실험환경에서임의의순서로발견된물체들을베이지안네트워크에적용하였다. 실험장소는컴퓨터실, 연구실, 휴게실, 회의실, 세미나실, 수위실의 6가지장소이다. 4.2 실험결과그림 9는발표활동-물체베이지안네트워크에서발견된물체들과이를통해찾는대상인빔프로젝터의확률값변화를관찰한결과이다. 위의실험결과에서찾는빔프로젝터와관계가적은물체들이발견되었을경우크게확률값이변하지않지그림 9 장소별물체찾기수행횟수 만스크린과같은빔프로젝터와관계가높은물체가발견되었을경우엔확률값의변화가큰것을볼수있다. 이는설계된베이지안네트워크가전문가지식을잘반영하고있음을보여준다. 하지만기준값을 70% 로했을경우프로젝터가존재하는환경과유사한컴퓨터실에서는 False-Positive 오류가발생함을알수가있다. 이는물체를찾으면서증거가누적되기때문인데이를통해베이지안네트워크의성능이물체를찾는횟수나기준값에영향을받을수있음을알수있다. 그림 10 에는두베이지안네트워크의성공률이나와있다. 발표활동-물체베이지안네트워크의성공률 ( 좌 ) 은전체적으로는 86.5% 로좋은성능을보여주었지만, 빔프로젝터와관계있는물체들이많은컴퓨터실의경우성능이떨어지고있음을보여준다. 휴식활동-물체베이지안네트워크 ( 우 ) 도 89.6% 로전체적인성능은높았지만상대적으로적은수의물체가존재하는휴게실환경에서는성능이조금낮고표준편차가큰것을볼수있다. 이와같은결과는베이지안네트워크설계시증거로사용될수있는물체가많을수록특정물체의존재를추론하는데있어보다안정적일수있다는것을보여준다. 그림 11은발표활동-물체베이지안네트워크실험에서성공기준값과물체를찾는횟수에따른성공률에대한그래프이다. 휴게실의경우 60% 를제외하고모두좋은결과를보 그림 10 장소별성공률 - 좌 : 발표활동. 우 : 휴식활동 - 물체베이지안네트워크 그림 11 발표활동-물체베이지안네트워크의기준값과발견횟수에대한성공률좌 : 컴퓨터실. 중 : 세미나실. 우 : 휴게실

9 64 정보과학회논문지 : 컴퓨팅의실제제 12 권제 1 호 (2006.2) 였는데이는기준값이너무낮을경우엔, 관련이상대적으로낮은물체가발견된경우도대상물체가존재한다고판단하기때문이다. 컴퓨터실에서는기준값이 80% 까지는 3회검색이가장좋은성능을보여주었고 80% 를넘는경우에는모두성공률은높았는데, 휴게실과마찬가지로빔프로젝터가존재하지않는장소이지만많은물체가존재하는곳이기때문에높은기준값이성공률에있어좋은성능을보여준다. 세미나실의경우는전체적으로물체를 7회검색하는경우가가장좋은성능을보여주었는데이는대상물체가존재하는곳에서물체를검색하였으므로물체를많이검색할수록성능이좋게나타났다. 이처럼물체가존재하는분포에따라 False-Positive 오류와 True-Negative 오류가발생하며성공기준값과물체를찾는횟수에따라이두요인의발생가능성이변함을알수있다. 따라서미리설정되어있는파라미터값을적절하게조정하거나여러개의베이지안네트워크를함께사용하는방법등으로이러한오류를줄이는것이성능향상을위해필요하다. 실험을통해서베이지안네트워크의성능과함께설계된물체의수, 특정물체에대한증거로사용될수있는물체의수, 성공기준값이나검색횟수, 확률값설정등과같은여러요인들이성능에영향을미침을보았다. 따라서이와같은요인들을적절히고려하여설계하는방법이필요함을알수있다. 5. 결론본논문에서는가변적인환경에서로봇이효과적으로물체를찾기위해물체들의관계를활동으로나누어모델링하는방법을제안하였다. 이를위해공통원인구조를기본단위로물체들간의관계를모듈화하여설계하였고두물체간의존재영향력을표현하기위해가상노드를사용하였다. 또 d-분리가발생하는것을피하기위해루트노드는활동노드와클래스노드만가능하다고하였다. 이처럼공통-원인구조를결합하여베이지안네트워크를설계하는것은복잡한물체들간의관계를표현하는데있어효과적이고비슷한확률분포를갖는문제에서이를재사용할수있게한다. 또이는전체적인구조가트리구조를유지하도록하여나이브베이지안네트워크구조와같은계산복잡도를같지만보다효과적으로정보를표현할수있고다중, 완전연결구조보다훨씬적은확률테이블과복잡도를가지기때문에규모가커지는상황에도적용이가능하다. 추후에는부정속성을가지는노드를추가함으로써발견된물체에따라서확률값을떨어뜨리는방법등을함께적용하고최적의파라미터값을설정하기위한방 법을연구할것이다. 또여러종류의활동-물체베이지안네트워크를실제로봇에서함께사용해보고자한다. 참고문헌 [1] P. Dario, et al., "Robot assistants: Applications and evolution," Robotics and Autonomous Systems, vol. 18, pp , [2] R. D. Schraft and G. Schmierer, Service Robots, Springer, [3] N. Roy, et al., "Towards personal service robots for the elderly," Proc. Interactive Robots and Entertainment, [4] F. Mizoguchi, "Smart office robot collaboration based on multi-agent programming," Artificial Intelligence, vol. 114, pp , [5] K. Murphy, et al., "Using the forest to see the trees: A graphical model relating features, objects, and scenes," Proc. Neural Info. Proc. System, vol. 16, pp , [6] T. M. Strat and M. A. Fischler, "Context-based vision: Recognizing objects using information from both 2-D and 3-D imagery," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 13, no. 10, pp , [7] A. Torralba, et al., "Context-based vision system for place and object recognition," Proc. Intl. Conf. on Computer Vision, pp , [8] M. Marengoni, et al., "Decision making and uncertainty management in a 3D reconstruction system," IEEE Trans. Pattern Analysis and Machine Intelligence, vol 25., no. 7, pp , [9] R. T. Collins, et al., "The ascender system: Automated site modeling from multiple aerial images," Computer Vision and Image Understanding, vol. 72, no. 2, pp , [10] S. Park and J. K. Aggarwal, "A hierarchical Bayesian network for event recognition of human actions and interactions," ACM Journal of Multimedia Systems, vol. 10, no. 2, pp , [11] G. Socher, et al., "Bayesian reasoning on qualitative descriptions from images and speech," Image and Vision Computing, vol. 18, pp , [12] J. Luo, et al., "A Bayesian network-based framework for semantic image understanding," Pattern Recognition, vol. 38, pp , [13] J. Pearl, Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference, Morgan Kaufmann, [14] K. B. Korb and A. E. Nicholson, Bayesian Artificial Intelligence, CRC Press, [15] J. Biederman, "On the semantics of a glance at a scene," Perceptual Organization, pp , [16] E. Gyftodimos and P. A. Flach, "Hierarchical

로봇의효과적인서비스를위해베이지안네트워크기반의실내환경의가려진물체추론 65 Bayesian networks: A probabilistic reasoning model for structured domains," Proc. European Conf. on Machine Learning, pp.

Principles of Knowledge Representation and Reasoning, pp. 479-487, 2004. 송윤석 2004 년 8 월연세대학교컴퓨터과학과 ( 학사 ). 2004 년 9 월 ~ 현재연세대학교컴퓨터과학과석사과정.

10 로봇의효과적인서비스를위해베이지안네트워크기반의실내환경의가려진물체추론 65 Bayesian networks: A probabilistic reasoning model for structured domains," Proc. European Conf. on Machine Learning, pp , [17] C. Smyth and D. Poole, "Qualitative probabilistic matching with hierarchical descriptions," Proc. Principles of Knowledge Representation and Reasoning, pp , 송윤석 2004 년 8 월연세대학교컴퓨터과학과 ( 학사 ) 년 9 월 ~ 현재연세대학교컴퓨터과학과석사과정. 관심분야는지능형로봇, 지능형에이전트, 인공생명 조성배 1988년 연세대학교 전산과학과 ( 학사 ) 1990년한국과학기술원전산학과 ( 석사 ) 1993년한국과학기술원전산학과 ( 박사 ) 1993년~1995년일본 ATR 인간정보통 신연구소 객원 연구원. 1998년 호주 Univ. of New South Wales 초청연구 원. 1995년~현재연세대학교컴퓨터과학과정교수. 관심분 야는신경망, 패턴인식, 지능정보처리

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., KOSPI200.,. * 지능정보연구제 16 권제 1 호 2010 년 3 월

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., 2004 5 2009 12 KOSPI200.,. * 2009. 지능정보연구제 16 권제 1 호 2010 년 3 월 김선웅 안현철 社 1), 28 1, 2009, 4. 1. 지능정보연구제 16 권제 1 호 2010 년 3 월 Support