근전도 신호 기반 인간-로봇 핸드오버 상태 인식을 위한 인공지능 모델 성능 평가

• Published in: 한국건설관리학회 논문집, 26(1) pp. 67 - 73
• Main Authors: 김태은, 양강혁
• Format: Journal Article
• Language: Korean
• Published: 한국건설관리학회 01.01.2025
• Subjects: 건축공학
• ISSN: 2005-6095; 2465-9703

본 연구는 로봇과 협동하여 건설작업을 수행하기 위해 필요한 건설자재 핸드오버의 진행상황을 근로자의 근전도 신호를 통해 인식하는 기술을 고안하고, 인공지능 알고리즘 종류에 따른 인식성능을 분석하였다. 본 연구에서는 핸드오버 작업 중 물체의 파지 정도에 따라 Pre-grasp, Half grasp, Full grasp 세 단계로 나누고 실험실 환경에서 각 상태에 대한 근전도 신호를 수집하였다. 획득한 데이터를 시간 영역과 주파수 영역에서 시각화하였으며 각 데이터 영역에 대해 합성곱 신경망(CNN)과 장단기 기억 메모리(LSTM)를 활용하여 인식 성능을 평가하고 최적의 인공지능 모델을 도출하였다. 데이터 분석 결과 시간 영역 데이터는 CNN 기반 모델이 정확도 0.99로 성능이 우수하였으며, 주파수 영역 데이터는 LSTM 기반 모델이 정확도 0.98로 더 우수한 것으로 나타났다. 또한 학습하지 않은 새로운 실험자 데이터로 평가하는 Leave-one-subject-out cross-validation을 분석한 결과 LSTM 모델이 0.69로 가장 높은 성능을 나타내는 것을 보였다. 해당 연구결과는 인간과 로봇이 협동으로 건설작업을 수행하는 기술 개발에 필요한 기초 연구로서 연구의 기여가 있으며, 협동로봇을 통한 안전성 및 생산성 향상에 기여할 수 있을 것으로 판단된다. The study developed an approach to recognize handover tasks required for collaborative construction work with robots using a worker’s electromyography (EMG) signals. The study investigated the recognition performance based on different artificial intelligence algorithms. The handover task was divided into three stages (Pre-grasp, Half grasp, and Full grasp) depending on the degree of object grasp. The EMG signals of each grasp state were collected in a laboratory environment. The collected data were visualized in time and frequency domains, and recognition performance was evaluated using convolutional neural networks (CNN) and long short-term memory (LSTM) networks for each data domain to derive the optimal AI model. The analysis results showed that the CNNbased model exhibited superior performance with an accuracy of 0.99 for time domain data, while the LSTM-based model achieved better performance with an accuracy of 0.98 for frequency domain data. Furthermore, the leave-onesubject-out cross-validation approach demonstrated that the LSTM model achieved a notably higher performance with an accuracy of 0.69 compared to the CNN model. The results of the study serve as foundational research for developing technologies for human-robot collaboration in construciton are expected to contribute to improvement of the safety and the productivity through collaborative construction robots. KCI Citation Count: 0