A Study On Intelligent Robot Control Based On Voice Recognition For Smart FA

스마트 FA를 위한 음성인식 지능로봇제어에 관한 연구

Abstract

This Study Propose A New Approach To Impliment A Intelligent Robot Control Based on Voice Recognition For Smart Factory Automation Since human usually communicate each other by voices, it is very convenient if voice is used to command humanoid robots or the other type robot system. A lot of researches has been performed about voice recognition systems for this purpose. Hidden Markov Model is a robust statistical methodology for efficient voice recognition in noise environments. It has being tested in a wide range of applications. A prediction approach traditionally applied for the text compression and coding, Prediction by Partial Matching which is a finite-context statistical modeling technique and can predict the next characters based on the context, has shown a great potential in developing novel solutions to several language modeling problems in speech recognition. It was illustrated the reliability of voice recognition by experiments for humanoid robot with 26 joints as the purpose of application to the manufacturing process.

1. 서론

첨단산업사회로 변화하면서 사람들은 어렵고, 힘들고, 더러운 환경에서의 근무를 기피하는 현상이 일어나고 있다. 그래서 사람을 대신하여 다양한 작업을 수행하는 무인화 기술이 매우 요구되고 있는 실정이다. 즉, 기계장치들이 발전함에 따라 보다 편하게 조작하기 위한 연구가 진행되고 있으며 주로 음성, 동작, 장애물회피 등을 통한 작용들이 많이 제안되고 있다.

음성인식 기술은 사람의 언어를 해석하여 적절한 행동을 수행할 수 있는 지능시스템을 만드는 것을 목적으로 한다. 이러한 기술은 정보 산업 분야, 디지털 통신분야. 가전분야. 멀티미디어 등에 적용 범위가 크게 확대되고 있으며, PCS, 장난감, 전화기, 인터넷. 컴퓨터, 자동차 주변 장치, navigation system 등 지속적으로 획기적인 제품들이 생산되고 있다[1,2].

따라서 로봇의 교시에 음성인식 기술을 활용한다면 사람에게 보다 친숙하면서 전문가가 아니더라도 로봇의 교시를 가능하게 하여, 전문 엔지니어 양성 및 프로그램 재개발에 따른 비용과 시간의 절감 효과를 가져 올 수 있다. 특히 열악한 환경에서의 로봇의 원격 조작 및 신체장애자를 위한 서비스를 제공할 수 있는 로봇으로도 이용될 수 있는 등 응용분야가 다양하다[3,4].

본 연구에서는 음성인식 기법을 이용하여 휴머노이드 로봇의 실시간 작업 동작제어에 대한 성능실험을 수행하고자 한다. 먼저 음성인식알고리즘 개발을 위한 연구를 수행한다. 세부내용으로 백터 양자화, 훈련 벡터의 분할, 벡터 심볼 추출, 잡음처리 방법, 끝점 검출 알고리즘, 특징 추출 알고리즘과 고성능 음성인식 알고리즘에 대하여 연구를 수행한다. 그 다음으로 음성인인시스템 구성에 관한 연구를 한다. 세부내용으로는 음성인식시스템의 하드웨어 구성을 하여 음성인식시스템의 구현을 통한 훈련 인식단계를 분석하고 신경회로망 학습 인식단계를 분석에 관한 연구를 수행한다. 마지막으로 음성인식알고리즘 성능 실험을 수행하고 휴머노이드 로봇의 동작제어를 음성 인식을 통하여 작업명령을 위한 작업동작제어 실현에 대한 성능실험을 검증하였다.

2. 고성능 음성인식 알고리즘 개발

2.1 음성인식알고리즘 구성요소

HMM은 초기 상태 확률(initial state probability), 상태 천이 확률(state transition probability), 상태 관찰 확률(state observation probability)인 세 가지 파라미터로 구성된다. 이들을 간단히 모델 λ로 표시하면 식 (2.1)과 같이 표현된다[5,6].

λ = (II, A, B)       (2.1)

1) 초기상태 확률 II = {π_i}

1부터 N까지 각각의 상태에서 t=1인 첫 번째 관찰이 일어날 확률을 나타낸다.

π_i = P(s₁ = 1), 1 ≤i≤ N       (2.2)

2) 상태천이 확률 행렬 A = {a_ij}

각 상태간의 천이할 확률을 나타낸다. 시간 t에서 상태 S_t가 i일 때, 시간 t+1에서의 상태 S_t+1이 j로 천이할 확률을 a_ij로 나타내며, 이것은 행렬 A의 원소를 이룬다. 상태가 N개인 모델의 경우 N×N행렬이 된다[7,8].

a_ij = Pr(S_t+1 = j | S_t = 1) (1 ≤ i, j ≤ N)       (2.3)

3) 상태관찰 확률 B = {b_i(O_t)}

각 상태에서 특정한 관찰이 일어날 확률들의 집합이다. 시간 t에서 상태 j일 때, O_t가 관찰될 확률을 b_i(O_t)로 나타낸다.

b_i(O_t) = Pr(O_t|S_t = j) (i ≤ j ≤ N)       (2.4)

2.2 음성인식 학습 알고리즘 분석

Fig. 1 Learning algorithm of HMM

HMM에 대하여 학습은 해당 음성 데이터가 발생할 확률을 최대로 하는 모델 파라미터 λ를 추정하는 것이다. 이러한 문제는 가장 널리 사용되고 있는 Baum-Welch 알고리즘을 이용하여 해결할 수 있다[9,10].

2.3 음성인식 학습제어알고리즘 개발

음성구간 감지는 구현된 음성인식시스템에서 실시간으로 들어오는 음성을 유성음 및 무성음을 구별하는 단계로써, 만약 유성음이 감지되면 그 유성음 각 프레임의 데이터 값을 절대에너지 방식으로 계산하여 설정된 크기보다 크면 음성을 간주하여 이 구간을 실제 음성으로 사용한다[11,12].

음성의 처리단위는 단구간 분석을 하는데, DMA (Direct Memory Access) 채널로 입력된 음성을 임시 저장하기 위해 버퍼 2개를 할당하고, 첫 번째 버퍼로 음성을 입력하는 중에 다른 버퍼에서는 에너지 계산을 하도록 하여 실시간으로 음성의 구간을 검출하도록 하였다[12,13].

본 연구에서는 사용된 프레임의 크기는 256샘플로 설정하였고, 프레임 중첩 간격은 80샘플로 설정하였다. 여기에서 음성인지 아닌지를 판단하는 절대 에너지 방식의 임계값은 실험 데이터를 통하여 획득된 값에 의해서 에너지 스펙트럼 값을 50000으로 설정하여 유성음 무성음을 판단하였다[14,15].

Fig. 2 Algorithm of endpoint detection

3. 성능실험

3.1 음성인식알고리즘

(1) 음성인식모델의 구조 및 특징

음성인식 방법은 Endpoint detection에서 음성의 시작점을 검출하면, 검출된 음성에 대해서 front end feature extraction에서 MFCC로 변환하고, MFCC를 이용하여 acoustic matcher에서 voice model과 acoustic score를 구한다. 그리고 그 score를 이용하여 인식 network을 parsing해서 인식된 결과가 나오면 rejection에서 음성의 신뢰도를 평가하게 된다. Fig. 3 Structure of Robot Model With 26 Joints 은 인식시스템의 개념적인 모델이다.

Fig. 3 Structure of Robot Model With 26 Joints

Fig. 4 Motion control program of robot

(2) 성능 실험 결과

Fig. 5 Performance experiment scene of voice recognition Ⅰ

Fig. 6 Voice recognition result graph about “Junbi"

Fig. 7 Voice recognition result graph about "Apuro"

Fig. 8 Voice recognition result graph about "Jasaenatchou"

Fig. 9 Voice recognition experiment result

3. 결론

본 연구에서는 음성인식 기법을 이용한 휴머노이드 로봇의 실시간 작업 동작제어에 관한 연구를 수행하였다. 구현된 음성인식시스템은 통계적 확률방법을 이용하여 인식을 수핼 할 경우의 오인식을 최소화하기 위한 후처리 과정으로 신경회로망의 일종인 방사 기저함수 신경회로망을 결합하여 보다 높은 인식률을 얻을 수 있는 통계적 확률방법과 방사 기저함수 신경회로망의 시스템을 적용하였다.

음성인식알고리즘의 인식실험 및 실제 로봇에 적용하여 성능평가를 통해 다음과 같은 결과를 얻었다.

첫 번째로 임의의 환경에서 음성에 의한 보행로봇의 경로생성이 가능한 통계적 확률방법을 이용한 음성인식알고리즘을 이용하여, 인식률 향상을 위한 방안으로 통계적 확률방법에 의한 인식을 수행한 후 그 신뢰도를 적절히 판단하여 신뢰도 낮은 경우 신경회로망에 의한 재인식 과정을 후처리에 도입하였다.

두 번째로 로봇적용 단어를 대상으로 실제 보행로봇에 적용하여 음성교시에 의한 경로생성 실험을 수행하여 성능평가를 하였다. 설정된 환경에서 로봇은 전체 인식단어와 로봇적용 단어에 대해 80%이상의 인식률을 얻을 수 있었다.

후기

본 연구는 로봇융합원천기술실용화개발사업의 일환으로 연구되었음.