본 연구는 저해상도 time-of-flight(ToF) 센서와 장단기 기억(long short-term memory, LSTM) 신경망 모델을 활용하여 실내 환경에서 인간의 이동 방향을 효과적으로 식별하는 방법을 제안한다. 기존 연구들은 카메라 기반 또는 고해상도 ToF 기반 센서를 사용한 바 있으나, 본 연구에서는 비용이 과도하지 않고 개인정보 이슈와도 무관한 8 × 8 배열 ToF 센서를 활용한다. 또한 기존의 규칙 기반 알고리즘과 달리, 제안 방법은 LSTM 모델을 사용하여 연속적인 시계열 데이터를 효과적으로 처리한다. 단일 인물의 기본 시나리오와 복잡한 다중 사용자 과제 시나리오를 모두 포함한 실험적 평가는, 제안된 LSTM 기반 접근법이 인간의 출입(entering and exiting) 움직임을 식별하는 데 있어 98%의 우수한 정확도를 달성함을 확인하였다.

본 논문은 적응 슬라이딩 모드 제어(ASMC) 및 시간지연 제어(TDC) 기법을 사용하여 교란된 로봇 조작기의 제어기 합성에서 발생하는 문제를 다룬다. 복잡한 비선형 함수로 구성된 동적 시스템의 강건한 제어를 위해, 본 논문은 슬라이딩 변수 기반의 적응 법칙을 사용하는 새로운 ASMC 방법을 제안한다. 제안된 적응 법칙은 슬라이딩 표면 근처에서 함수 기반 및 속도(율) 기반의 감소 법칙을 모두 활용하여 추종 성능을 향상시키면서도 채터링(chattering)을 유지하거나 오히려 감소시키도록 한다. 제안된 슬라이딩 변수에는 또한 위치 오차 및 그 시간 도함수에 대한 추가 항을 포함하여, TDC 방법에서 유발되는 시간지연 추정(TDE) 오차를 보상한다. 제안된 ASMC로 제어되는 로봇 조작기에 대한 안정성 분석을 위해, 본 논문은 슬라이딩 변수의 균일 궁극적 유계(UUB) 안정성을 증명한다. 수치 시뮬레이션 및 실험 결과는 추종 성능 측면에서 제안된 ASMC의 유효성을 입증한다.

본 연구는 저해상도 time-of-flight(ToF) 센서와 장단기 기억(long short-term memory, LSTM) 신경망 모델을 활용하여 실내 환경에서 인간의 이동 방향을 효과적으로 식별하는 방법을 제안한다. 기존 연구들은 카메라 기반 또는 고해상도 ToF 기반 센서를 사용한 바 있으나, 본 연구에서는 비용이 과도하지 않고 개인정보 이슈와도 무관한 8 × 8 배열 ToF 센서를 활용한다. 또한 기존의 규칙 기반 알고리즘과 달리, 제안 방법은 LSTM 모델을 사용하여 연속적인 시계열 데이터를 효과적으로 처리한다. 단일 인물의 기본 시나리오와 복잡한 다중 사용자 과제 시나리오를 모두 포함한 실험적 평가는, 제안된 LSTM 기반 접근법이 인간의 출입(entering and exiting) 움직임을 식별하는 데 있어 98%의 우수한 정확도를 달성함을 확인하였다.

본 논문은 적응 슬라이딩 모드 제어(ASMC) 및 시간지연 제어(TDC) 기법을 사용하여 교란된 로봇 조작기의 제어기 합성에서 발생하는 문제를 다룬다. 복잡한 비선형 함수로 구성된 동적 시스템의 강건한 제어를 위해, 본 논문은 슬라이딩 변수 기반의 적응 법칙을 사용하는 새로운 ASMC 방법을 제안한다. 제안된 적응 법칙은 슬라이딩 표면 근처에서 함수 기반 및 속도(율) 기반의 감소 법칙을 모두 활용하여 추종 성능을 향상시키면서도 채터링(chattering)을 유지하거나 오히려 감소시키도록 한다. 제안된 슬라이딩 변수에는 또한 위치 오차 및 그 시간 도함수에 대한 추가 항을 포함하여, TDC 방법에서 유발되는 시간지연 추정(TDE) 오차를 보상한다. 제안된 ASMC로 제어되는 로봇 조작기에 대한 안정성 분석을 위해, 본 논문은 슬라이딩 변수의 균일 궁극적 유계(UUB) 안정성을 증명한다. 수치 시뮬레이션 및 실험 결과는 추종 성능 측면에서 제안된 ASMC의 유효성을 입증한다.

본 연구는 로봇 매니퓰레이터를 위한 적응형 슬라이딩 모드 제어 전략을 제시하며, 준-볼록 함수 기반 제어 이득과 신경망으로 향상된 시간지연추정(time-delay estimation, TDE)을 특징으로 한다. TDE 오차를 보상하기 위해 제안된 방법은 이전 TDE 오차와 함께 방사기저함수(radial basis function, RBF) 신경망을 사용하며, 발산을 방지하기 위한 감쇠 항을 포함하는 가중치 갱신 법칙을 활용한다. 또한 전통적인 스위칭 제어 이득을 대체하기 위해 슬라이딩 변수의 크기에 의존하는 준-볼록 함수 기반 연속 이득을 제안한다. 이 준-볼록 함수 기반 연속 이득은 채터링 현상을 억제하는 데 효과적일 뿐 아니라, 균일한 최종유계성(uniform ultimate boundedness) 관점에서 로봇 매니퓰레이터의 안정성을 보장한다. 이러한 내용은 시뮬레이션과 실험 결과를 통해 입증된다.

이 논문은 입력 지연(input-delay) 접근법을 통해 비동기 샘플링 데이터 시스템(asynchronous sampled-data systems)의 안정성 해석 문제를 다룬다. 두 연속적인 샘플링 시각 사이에서, 샘플링 데이터 시스템은 이전에 샘플링된 상태들에 의해 제어되므로 톱니(saw-tooth) 지연을 갖는 시간 지연 시스템(time-delay system)으로 모델링할 수 있다. 불가피하게도 샘플링 시각에서의 정보는 시스템을 제어하고 안정성 판정 기준의 보수성을 감소시키는 데 핵심적인 역할을 수행해 왔다. 따라서 샘플링 시각에서의 정보를 더욱 활용하기 위해, 이 논문은 적분 상태 변수와 그 구간 정규화(interval-normalized) 항으로 구성된 새로운 루프드 기능소(looped functionals)를 제안한다. 제안된 접근법의 허용 가능한 샘플링 구간 측면에서의 유효성을 입증하기 위해, 실용적인 헬리콥터 시스템을 포함한 3개의 수치 예제를 제시한다.

이 논문은 로봇 매니퓰레이터를 위한 적응 슬라이딩 모드 제어(ASMC) 구성에서 준볼록(quasi-convex) 함수와 새로운 슬라이딩 변수를 사용하는 새로운 적응 법칙을 제안한다. 로봇 매니퓰레이터의 동역학 방정식에는 필연적으로 모델 불확실성과 교란이 포함되므로, 시간지연 제어(TDC) 접근을 사용할 때 시간지연 추정(TDE) 오차가 발생한다. 또한 TDE 오차를 보상하기 위해 사용되는 ASMC 방법은 자연스럽게 채터링(chattering) 현상을 유발한다. 추적 성능을 향상시키면서 채터링을 감소시키거나 유지하기 위해, 본 논문은 이득 스위칭 지점에서는 각각 원점에서는 볼록(convex)하고, 이득 스위칭 지점에서는 오목(concave)인 준볼록 함수에 기반한 적응 법칙을 제안한다. 아울러, 이전에 샘플링된 추적 오차와 그 시간미분을 사용하는 새로운 슬라이딩 변수를 채택한다. 더불어, 본 논문은 제안된 ASMC로 제어되는 로봇 매니퓰레이터의 슬라이딩 변수가 균일한 궁극적 유계(uniformly ultimately bounded) 안정성을 만족함을 증명한다. 시뮬레이션 및 실험 결과는 추적 성능 측면에서 제안된 방법들의 유효성을 보여준다.

본 논문의 목적은 비동기 샘플링을 갖는 연속시간 선형 시스템의 안정성 분석을 위해 루프드(Looped)‐functional 접근법을 활용하는 새로운 프레임워크를 제안하는 것이다. 이 접근법에서는 루프드‐functional과 루프드‐functional을 구성하는 Lyapunov function으로 이루어진 Lyapunov functional의 음의 전방 차분(negative forward‐difference)이, 샘플링된 데이터 시스템의 점근적 안정성을 충분히 보장한다. 안정성 기준의 보수성을 줄이기 위해, 각 샘플링 구간에 대하여 볼록 루핑 부등식(convex looping inequality)을 만족하는 연속적인 시간 구간(consecutive time‐intervals) 의존 루프드‐functional 접근법을 개발한다. 기존의 루프드‐functional 접근법과 비교할 때, 제안 방법은 더 일반적인 루프드‐functional을 제공하며, 그 결과 더 완화된 안정성 조건을 제공한다. 기존의 루프드 기능들과 이에 연관된 루핑 조건들은 제안된 것의 특수한 경우로 간주될 수 있다. 이러한 관계는 일반적인 루프드‐functional에서 시간 구간 의존 항을 제외함으로써 용이하게 검증할 수 있다. 주기적 및 비동기 샘플링 경우를 모두 고려하는 4개의 수치 예제를 통해, 제안된 루프드‐functional 접근법이 허용 가능한 최대 샘플링 구간(maximum sampling intervals) 측면에서 더 우수한 성능을 보이며, 소수의 추가 의사결정 변수(decision variables)라는 소량의 비용이 수반됨을 확인하였다.