로봇 공학에서 AI와 머신러닝의 역할

Google의 최근 연구에 따르면 인공 지능과 머신 러닝은 엔지니어링에서 가장 인기 있는 분야 중 하나입니다. 로봇 공학의 미래는 AI 및 기계 학습 기술. 그러나 이 기사는 이 두 가지 기술이 오늘날 로봇 공학에 어떻게 적용될 수 있는지를 강조하기 위해 여기에 있습니다.

인공 지능, 기계 학습 및 로봇 공학

인공 지능이란 무엇입니까?

인공 지능 (AI)는 지능형 에이전트 연구를 포함하는 컴퓨터 과학 분야입니다. 즉, 환경을 인식하고 어떤 목표에서 성공 가능성을 최대화하는 조치를 취하는 모든 장치입니다. AI 시스템은 불확실한 조건에서 복잡한 결정을 내리는 데 사용되며 경험을 통해 학습할 수 있습니다. 몇 가지 예로는 컴퓨터 비전, 음성 인식, 자연어 처리(NLP), 계획 및 의사 결정이 있습니다.

AI는 "지능형 에이전트의 연구 및 설계"로 정의되며, 여기서 지능형 에이전트는 환경을 인식하고 목표를 달성하기 위해 조치를 취하는 시스템입니다. 목표는 구체적이거나 추론적일 수 있습니다. 예를 들어 운영자는 모든 보안 위협이 제거되거나 모든 우선 순위 작업이 완료될 때까지 작업이 완료된 것으로 간주할 수 있습니다.

기계 학습이란 무엇입니까?

기계 학습은 인공 지능(AI)의 한 형태이자 데이터 과학의 하위 집합입니다. 기계 학습에서 컴퓨터는 데이터로부터 학습하도록 "훈련"됩니다. 프로세스에는 통계 모델링, 패턴 인식 및 예측과 같은 기술이 포함될 수 있습니다. 기계 학습이라는 이름은 1959년에 그것을 고안한 Arthur Samuel에서 유래되었습니다. 이후 다른 연구자들이 이 분야에 합류하여 그 이후로 성장한 새로운 학문 분야를 형성했습니다.

기계 학습은 데이터에서 학습할 수 있는 알고리즘의 연구 및 구성을 탐구합니다. 즉, 명시적으로 프로그래밍(예: 인간에 의해)되지 않고 시간이 지남에 따라 경험을 통해 정확도 또는 성능을 향상시킵니다. 이 분야는 원래 Stuart Meehl에 의해 유도 논리 프로그래밍(ILP)이라고 명명되었습니다. 그러나 다른 많은 사람들은 지능형 튜터링 시스템이나 지식 기반 시스템을 선호했습니다. 이러한 시스템은 현대적인 전문가 시스템으로 발전했습니다. 런타임 시 또는 시스템 상태의 변화를 모니터링하는 센서에 의해 실행을 위해 외부에서 작업이 트리거될 때 감지된 미리 결정된 조건 및 작업에 연결된 규칙을 생성합니다. 이러한 이벤트는 재생 모드 실행을 다시 시작하기 위해 마지막 활성화 이후 특정 시간 간격이 경과한 후 발생하는 타이머 이벤트와 같은 입력 원인에 의해 발생합니다. 다음 주기/반복은 초당 한 번씩 다시 시작됩니다.

기계 학습 분야는 종종 통계 분석 및 최적화를 기반으로 하는 매우 효과적인 광범위한 알고리즘을 개발했습니다. 이러한 알고리즘은 애플리케이션에 사용됩니다.

• 특징 추출(예: 암 세포의 자동 감지), 
• 패턴 인식(예: 얼굴 인식), 
• 데이터 마이닝(예: 대규모 데이터 세트에서 서로 다른 변수 간의 새로운 연관성 발견), 
• 예측 분석(예: 과거 패턴을 기반으로 미래 결과 추정).

우리는 로봇 공학을 어떻게 정의합니까?

로보틱스라는 용어가 생소한 분들을 위해 로봇을 다루는 공학의 한 분야입니다. 로봇이라는 단어는 강제 노동을 의미하는 체코슬로바키아어 "로봇"에서 유래되었습니다. 로봇은 사전 프로그래밍된 지침에 따라 작동하고 사람의 감독 없이 자동으로 작업을 수행할 수 있는 자동 장치입니다. 또한 환경과 상호 작용하고 관찰을 기반으로 결정을 내리도록 프로그래밍할 수 있습니다.

로봇은 메모리(예: 개인용 컴퓨터 또는 PLC)에 저장된 컴퓨터 프로그램의 제어 하에 특정 작업을 수행하는 전기 기계 시스템으로 정의할 수 있습니다. 이 프로그램은 감각 입력 장치에 연결된 센서와 작동 장치(예: 모터)에 연결된 액추에이터를 통해 주변 물체를 조작하기 위한 작동 장치를 통해 작업을 지시함으로써 임무를 수행하도록 지시합니다.

로보틱스에서 ML은 어떻게 작동합니까?

기계 학습은 데이터를 사용하여 스스로 훈련하는 AI의 하위 집합입니다. 기계 학습 알고리즘(MLA)은 과거 경험을 분석하고 이러한 경험을 기반으로 예측합니다. 즉, MLA는 경험을 통해 학습하는 데 사용되므로 명시적으로 프로그래밍하지 않고도 의사 결정을 내릴 수 있습니다.

MLA는 다음을 포함하여 로봇이 자신의 경험에서 배워야 하는 모든 작업을 위해 로봇 공학에서 사용할 수 있습니다.

• 새로운 공간을 보다 효과적으로 탐색할 수 있도록 시간이 지남에 따라 환경에 대해 학습합니다.
• 과거 기록을 기반으로 환경의 미래 상태를 예측합니다.
• 특정 목표를 달성하는 데 가장 적합한 조치를 결정합니다.

로봇 공학에서 AI는 어떻게 작동합니까?

AI는 시간이 지남에 따라 성능을 학습, 적응 및 개선할 수 있는 컴퓨터 프로그램입니다. 이것은 로봇 공학 및 기계 학습에서 가장 중요한 개념 중 하나입니다.

AI는 로봇을 구동하는 데 사용됩니다. 인간이 명시적으로 프로그래밍하지 않고도 효과적으로 작업을 수행할 수 있습니다. 예를 들어 도로를 달리는 자율주행차에 AI가 없다면 직진만 하거나 교차로에서 우회전이나 좌회전 같은 아주 기본적인 조작만 할 수 있다. 하지만 이 차량에 AI가 탑재되면 복잡한 환경을 탐색할 수 있습니다. 차체 자체에 장착된 센서(예: GPS)와 카메라에서 수신한 정보를 바탕으로 어디로 가는지 파악하기 때문에 건물 및 기타 경로와 같은 작업을 쉽게 수행할 수 있습니다.

지난 몇 십 년 동안 로봇 지능은 어떻게 발전해 왔습니까?

로봇 지능은 1950년대에 영국의 인공두뇌학자인 로스 애쉬비가 개발했습니다. 그 이전에는 엔지니어들이 경험과 직관에 따라 기계에 고정된 규칙을 사용했습니다. Ashby는 수학적 모델을 사용하여 환경에서 학습하고 과거 경험을 기반으로 결정을 내릴 수 있는 지능형 기계를 만들었습니다. 이 접근 방식은 인간 두뇌 기능의 신경망 및 컴퓨터 시뮬레이션 개발로 이어졌습니다.

최초의 산업용 로봇은 1961년 유니메이션(Unimation)에서 제조되었습니다. 한 손에 두 개의 진공 제어 손가락(총 손가락 수는 4개)을 사용하여 시간당 40개의 속도로 컨베이어 벨트에 상자를 싣고 내리는 것과 같은 간단한 작업을 수행할 수 있었습니다. . 1974년까지 30,000대가 넘는 로봇이 전 세계 공장에서 일하고 있었습니다!

로봇 공학의 인공 지능 및 기계 학습

인공 지능과 머신 러닝은 로봇이 기술이 없을 때보다 작업을 더 잘 수행하도록 돕는 기술로 생각할 수 있습니다. 로봇 공학의 AI 및 ML 동전의 양면입니다. 둘 다 로봇이 주변 환경과의 상호 작용을 통해 학습할 수 있는 기술입니다.

많은 사람들이 AI를 공상과학 개념으로 생각하지만 이미 우리 일상 생활의 여러 측면에서 사용되고 있습니다. 예를 들어 iPhone의 Siri는 음성 인식 및 자연어 처리(NLP) 알고리즘을 사용하여 사용자의 말을 이해하고 적절하게 응답합니다. Amazon Echos의 Alexa는 NLP를 사용하여 "날씨가 어때?"와 같은 사용자의 질문을 이해합니다. 또는 "농담을 해주세요." Google 번역은 다시 NLP 알고리즘을 사용하여 텍스트를 독일어나 프랑스어와 같은 다른 언어로 번역합니다.

로보틱스에서 기계 학습의 현재 응용 프로그램

모방 학습

모방 학습은 에이전트가 다른 에이전트나 인간의 행동으로부터 학습할 수 있도록 하는 기계 학습 접근 방식의 한 유형입니다. 영유아가 나타내는 행동인 관찰 학습과 밀접한 관련이 있습니다. 모방 학습에서 에이전트는 원하는 행동을 보여주는 교사의 행동을 모방하는 방법을 배웁니다. 이 접근 방식은 건설, 농업, 수색 및 구조, 군사 등과 같은 영역에서 공장 설정 외부의 이동성을 위해 로봇 솔루션을 수동으로 프로그래밍하는 것이 어려울 수 있는 로봇 공학에서 자주 사용됩니다.

모방 학습은 강화 학습의 상위 범주입니다. 여기에는 보상을 극대화하기 위해 에이전트가 세계에서 행동하도록 하는 것이 포함됩니다. 베이지안 또는 확률 모델은 에이전트가 상태를 작업에 매핑하는 정책을 학습하는 데 도움이 되는 모방 학습에 자주 사용됩니다. 모방 학습이 인간형 로봇에 사용될 수 있는지에 대한 질문은 1999년에 처음 제기되었습니다.

연구원들은 물체 잡기, 걷기, 오프로드 지형 탐색 등 다양한 작업을 수행할 수 있는 로봇을 개발하기 위해 모방 학습을 사용했습니다. 예를 들어 CMU는 휴머노이드 로봇 공학, 다리 이동 및 오프로드 거친 지형 모바일 내비게이터를 개발하기 위해 역 최적 제어 방법을 적용했습니다. 2년 전 애리조나 주립 대학의 연구원들이 발표한 비디오는 다양한 잡기 기술을 습득하기 위해 모방 학습을 사용하는 휴머노이드 로봇을 보여줍니다.

베이지안 신념 네트워크는 로봇이 운동 시스템이나 외부 환경에 대한 사전 지식 없이 학습하는 순방향 학습 모델에도 적용되었습니다. 이에 대한 예는 "iCub" 휴머노이드 로봇인 Bert와 함께 UIUC(일리노이 대학교 어바나-샴페인)의 언어 습득 및 로봇 공학 그룹에서 시연한 "모터 옹알이"입니다. 로봇은 인간이나 다른 에이전트의 행동에서 모방 학습을 사용할 수 있습니다. 이를 통해 다양한 도메인의 복잡한 작업에 대한 솔루션을 보다 쉽게 공식화할 수 있습니다.

컴퓨터 시각 인식

컴퓨터 비전은 컴퓨터 알고리즘과 카메라 하드웨어를 결합하여 로봇이 물리적 데이터를 처리할 수 있도록 하는 빠르게 발전하는 분야입니다. 이 기술은 로봇 안내 및 자동 검사 시스템에 필수적이며 물체 식별 및 분류를 포함하여 다양한 응용 분야가 있습니다. 컴퓨터 비전, 머신 비전 및 로봇 비전은 종종 같은 의미로 사용되지만 로봇 비전은 참조 프레임 보정과 환경에 물리적으로 영향을 미치는 로봇의 능력을 포함합니다.

컴퓨터 비전의 최근 발전은 웹에서 사용할 수 있는 주석 및 레이블이 지정된 사진 및 비디오를 포함하여 빅 데이터의 유입에 힘입어 이루어졌습니다. Carnegie Mellon과 같은 대학의 기계 학습 기반 구조화된 예측 학습 기술은 개체 식별 및 정렬과 같은 컴퓨터 비전 응용 프로그램을 개발하는 데 중요한 역할을 했습니다. 최근 돌파구의 한 가지 예는 이상 감지를 위한 비지도 학습을 사용하는 것입니다. 여기에는 컨볼루션 신경망을 사용하여 실리콘 웨이퍼의 결함을 찾고 평가할 수 있는 시스템을 구축하는 것이 포함됩니다.

레이더 및 초음파와 같은 초감각 기술의 개발은 자율 주행 차량 및 드론을 위한 360도 비전 기반 시스템의 생성을 주도하고 있습니다. Nvidia와 같은 회사는 자율 주행 차량과 드론의 정확성과 안전성을 개선하는 데 사용되는 이 기술의 최전선에 있습니다. 연구자들은 컴퓨터 비전과 초감각 기술을 결합하여 장애물을 감지 및 피하고, 복잡한 환경을 탐색하고, 전례 없는 정밀도와 정확도로 다양한 기타 작업을 수행할 수 있는 시스템을 만들고 있습니다.

보조 및 의료 기술

보조 및 의료 기술은 기계 학습 기반 로봇 공학이 상당한 발전을 이룬 분야입니다. 이러한 기술은 장애인, 노인 및 의료계 환자에게 도움이 되도록 설계되었습니다.

보조 로봇은 정보를 감지하고 감각적으로 처리하며 사람들에게 도움이 되는 행동을 수행할 수 있습니다. 비용 제약으로 인해 진단 또는 치료 이점을 제공하는 이동 치료 로봇은 여전히 대부분 실험실에 국한되어 있습니다. 초기 보조 기술의 예로는 1990년대 초에 개발된 DeVAR가 있습니다.

기계 학습 기반 로봇 보조 기술의 최근 사례로는 Northwestern University에서 개발한 MICO 로봇 팔이 있습니다. 이 팔은 Kinect 센서를 사용하여 세계를 관찰하고 부분 자율성으로 사용자 요구에 적응합니다. 즉, 로봇과 인간이 제어를 공유합니다.

기계 학습 기반 로봇 공학은 의료계에서 수술 정밀도와 신뢰성을 크게 향상시킵니다. STAR(Smart Tissue Autonomous Robot)는 여러 대학의 연구원과 DC의 Children's National Health System을 통해 시범 운영되는 의사 네트워크 간의 협력입니다. STAR는 최고의 인간 외과 의사보다 더 나은 정밀도와 신뢰성으로 "돼지 창자"를 꿰맬 수 있습니다. 인간 외과의를 대체하기 위한 것은 아니지만 STAR는 유사한 유형의 섬세한 수술을 수행할 때 상당한 이점을 제공합니다.

자기 지도 학습

자기 지도 학습 라벨이 지정된 데이터에 대한 액세스가 제한적이거나 성능 향상을 위해 교육 예제를 생성해야 하는 로봇 및 기타 장치에 도움이 되는 강력한 기계 학습 접근 방식입니다. 이 접근 방식은 물체 감지, 장면 분석 및 차량 동역학 모델링을 비롯한 다양한 응용 분야에서 사용되었습니다.

자기 지도 학습의 흥미로운 사례 중 하나는 Cornell과 Stanford의 연구원이 개발한 로봇인 Watch-Bot입니다. 센서와 확률적 방법의 조합을 사용하여 Watch-Bot은 정상적인 인간 활동 패턴을 감지하고 레이저 포인터를 사용하여 우유를 냉장고에 다시 넣는 것과 같은 작업을 인간에게 상기시킬 수 있습니다. 초기 테스트에서 Watch-Bot은 인간 60%에게 시간을 상기시키는 데 성공했으며 연구원들은 RoboWatch라는 프로젝트를 통해 기능을 지속적으로 개선했습니다.

로봇 공학에서 자기 감독 학습의 또 다른 예는 자율 차량 및 기타 모바일 로봇을 위해 MIT에서 개발된 도로 감지 알고리즘입니다. 이 알고리즘은 전방 카메라와 확률적 분포 모델을 사용하여 경로의 도로와 장애물을 식별합니다.
자율 학습 외에도 자율 학습은 로봇 및 기타 자율 장치에 도움이 될 수 있는 기계 학습의 또 다른 변형입니다. Imperial College London의 팀이 개발한 한 가지 접근 방식은 딥 러닝과 감독되지 않은 방법을 사용하여 모델 불확실성을 장기 계획 및 컨트롤러 학습에 통합합니다. 이 통계적 기계 학습 접근 방식은 모델 오류의 영향을 줄이고 학습 프로세스를 가속화할 수 있습니다.

다중 에이전트 학습

다중 에이전트 학습은 공통 목표를 달성하기 위해 여러 로봇 또는 에이전트 간의 조정 및 협상을 포함하는 기계 학습 기술입니다. 평형 전략은 에이전트가 변화하는 환경에 적응할 수 있도록 하는 학습 알고리즘을 통해 발견됩니다. 이 접근 방식의 한 가지 예는 다중 에이전트 계획 결과를 개선하기 위해 가중 알고리즘을 활용하는 후회 없는 학습 도구를 사용하고 시장 기반 분산 제어 시스템에서 학습하는 것입니다.

MIT의 Lab for Information and Decision Systems는 로봇이 협업하고 보다 포괄적인 학습 모델을 구축할 수 있는 분산 알고리즘의 구체적인 예를 개발했습니다. 로봇은 지식 기반을 만들기 위해 결합된 자체 카탈로그를 구축하는 건물과 방 배치를 탐색합니다. 이 접근 방식을 통해 로봇은 더 작은 정보 덩어리를 처리하고 단일 로봇보다 함께 작업할 때 더 나은 결과를 얻을 수 있습니다. 완벽하지는 않지만 이러한 유형의 머신 러닝 접근 방식을 통해 로봇은 상호 관찰을 강화하고 카탈로그 또는 데이터 세트를 비교하며 누락 또는 과도한 일반화를 수정할 수 있습니다.

다중 에이전트 학습은 자율 육상 및 공중 차량을 포함한 여러 애플리케이션에서 사용될 가능성이 있습니다. 이 접근 방식은 로봇이 공통의 목표를 달성하기 위해 소통하고 협력함으로써 보다 효율적이고 효과적인 성과로 이어질 수 있습니다. 그러나 실제 사용을 위해 이 기술을 최적화하려면 추가 연구 및 개발이 필요합니다.

기계 학습 및 인공 지능을 다양한 산업 분야의 로봇 공학에 적용

로봇 공학은 농업, 의료, 제조, 물류 등과 같은 다양한 산업에 적용될 수 있습니다. 

• 농업: 농작물 검사를 위해 드론을 사용하는 것은 오늘날 매우 보편화되었습니다. 이 드론에는 토양 수분 함량, 비료 수준 등과 같은 다양한 매개변수를 측정하는 센서가 장착되어 있습니다. 이러한 센서에서 수집된 데이터는 서버로 다시 전송되며, 여기에서 알고리즘이 이를 분석하고 SMS 또는 모바일 앱을 통해 농부에게 제안 또는 경고를 보냅니다. 농작물/토지 면적 조건에 따라 알림.
• 보건 의료: AI 기반 로봇은 수술 과정에서 의사를 보조하거나 MRI 기계에서 촬영한 이미지를 스캔하여 환자를 진단하는 등 다양한 목적으로 전 세계 병원에서 사용되고 있습니다. 예를 들어, IBM의 인공 지능 플랫폼 Watson은 스코틀랜드 최대 병원 그룹인 Highland Hospital Partners에 성공적으로 배포되었습니다. 그것은 인간 의사가 할 수 있는 것보다 더 빨리 의료 기록을 읽을 수 있는 능력을 기반으로 합니다(Watson은 10분 안에 100만 페이지를 읽을 수 있었습니다). Accenture Strategy Limited 설문 조사에서 실시한 연구에 따르면 디지털 혁신 이니셔티브의 채택률은 다른 산업 분야(60%)보다 의료 서비스 제공업체에서 가장 높고 금융 서비스(52%)가 그 뒤를 이었습니다.
• 조작: 제조 부문은 모든 국가에서 가장 중요한 산업 중 하나입니다. AI 기반 로봇은 제조 프로세스를 자동화하고 효율성을 높이는 데 사용되고 있습니다. 예를 들어 제너럴 모터스(GM)는 최근 "백스터(Baxter)"라는 새로운 로봇을 출시했습니다. 이 로봇은 인간 작업자가 최소한의 감독으로 쓰레기통에서 부품을 집어들거나 용접하는 것과 같은 반복적인 작업을 수행하는 데 도움을 줄 것입니다.
• 물류 센터: AI 기반 로봇은 물류 프로세스를 최적화하고 비용을 절감하는 데 사용되고 있습니다. 예를 들어 DHL은 "PakBot"이라는 새로운 AI 기반 로봇을 출시했습니다. 인간 작업자가 패키지를 스캔하고 상자에 항목을 포장하고 바코드로 레이블을 지정하여 전 세계로 제품을 배송하는 데 걸리는 시간을 줄이는 데 도움이 됩니다(이를 통해 고객이 주문을 더 빨리 받을 수 있음).
• 교육: AI 기반 로봇은 교육 분야에서 다양한 목적으로 사용되고 있습니다. 예를 들어, 로봇은 교사가 에세이와 논문을 그 어느 때보다 빠르고 정확하게 채점하는 데 사용됩니다. 그들은 또한 아이들에게 스스로 요리하거나 청소하는 방법과 같은 중요한 삶의 기술을 가르치기 위해 교실에서 사용할 수 있습니다.

로보틱스에서 AI와 기계 학습의 미래

우리가 본 것처럼 AI와 ML은 수년 동안 로봇 공학에 적용되었습니다. 기술은 끊임없이 진화하고 있으며 AI와 ML을 로봇 공학의 세계로 가져오는 새로운 방법의 문을 열고 있습니다. 이는 AI와 ML이 아직 생각지도 못한 방식으로 사용되는 것을 볼 수 있음을 의미합니다!

AI와 ML은 제조나 의료뿐만 아니라 여기에서 논의한 것 이상의 방식으로 로봇 공학에 적용될 수 있습니다. 예를 들어, 연구자들은 딥 러닝 기술에 기반한 기계 학습 알고리즘을 사용하여 그 어느 때보다 빠르게 로봇에게 새로운 기술을 가르칠 수 있는 방법을 조사하고 있습니다. 그러한 연구 중 하나는 컴퓨터가 인간이 한 번만 인식하는 것을 본 후 주변의 물체를 인식하는 방법을 배울 수 있다는 것을 발견했습니다. 일반적으로 인간은 몇 시간 또는 며칠이 걸립니다!

결론

이제 로봇 공학에서 AI와 기계 학습의 역할을 명확하게 이해하게 되었습니다. 그들은 이미 사용되고 있으며 앞으로 더 많이 사용될 것입니다. 로봇 기능의 모든 부분에 필요한 것은 아니지만 로봇 공학의 모든 측면에서 사용됩니다. 그리고 기술이 더욱 발전함에 따라 미래에 더 많이 사용될 것입니다.

비디오 소스: 미국항공우주국 공식 웹사이트

---

로보틱스 Q&A의 기계 학습 정보

1. 로보틱스에서 기계 학습 응용 프로그램의 몇 가지 예는 무엇입니까?

   로봇 공학에서 기계 학습 응용 프로그램의 예로는 객체 인식, 경로 계획, 내비게이션, 제어 및 인식이 있습니다. 또한 자기 지도 학습, 보조 및 의료 기술, 다중 에이전트 학습 및 강화 학습에도 사용됩니다.

2. 기계 학습은 어떻게 로봇의 성능을 향상시킬 수 있습니까?

   기계 학습은 로봇이 데이터와 경험을 통해 학습할 수 있도록 하여 로봇의 성능을 향상시킬 수 있습니다. 새로운 상황에 적응하고 수집한 정보를 기반으로 현명한 결정을 내릴 수 있습니다. 이는 로봇 동작의 정확성, 효율성 및 견고성을 향상시킬 수 있습니다.

3. 자율주행차에서 기계 학습은 어떻게 사용됩니까?

   기계 학습은 자율 주행 차량에서 감각 데이터를 기반으로 결정을 내리고 경로를 계획하며 복잡한 환경을 탐색하는 데 사용됩니다. 또한 객체 감지 및 인식, 행동 예측 및 의사 결정에도 사용됩니다.

4. 로봇 공학에서 강화 학습이란 무엇입니까?

   로봇 공학의 강화 학습은 로봇이 시행 착오를 통해 학습하도록 훈련시키는 기계 학습 기술의 한 유형입니다. 로봇은 행동에 따라 보상 또는 벌칙의 형태로 피드백을 받고 보상을 극대화하기 위해 행동을 최적화하는 방법을 학습합니다.

5. 로봇 공학에서 자기 지도 학습이란 무엇입니까?

   로봇 공학에서의 자기 지도 학습은 로봇이 환경에서 학습하여 자체 교육 데이터를 생성할 수 있도록 하는 기계 학습 기술의 한 유형입니다. 여기에는 장거리 모호한 센서 데이터를 해석하기 위해 센서에서 캡처한 사전 지식과 데이터를 사용하는 것이 포함될 수 있습니다.

6. 기계 학습은 보조 및 의료 기술에서 어떻게 사용됩니까?

   머신 러닝은 장애인 및 건강 상태가 있는 사람을 위한 로봇 시스템의 성능과 안정성을 개선하기 위해 보조 및 의료 기술에 사용됩니다. 운동치료, 자율수술, 진단 및 치료 목적으로 사용됩니다.