□ 기존 기술의 문제점

- 캘리브레이션은 다양한 장치에 오차를 보상하기 위해 측정 등을 수행하기 위해 적용됨. 복수 개의 방향으로 이동되는 축은 외력이나 기계오차로부터 영향을 받아 입력값에 따라 출력됨에도 측정값과 차이가 발생

- 직선거리 이동변위 및 회전방향 이동변위 간의 조합인 6축을 구동하는 장치에서는 어느 한 방향으로 외력 및 자중 등의 변수가 작용해도 연결된 다른 방향으로의 변위를 발생시키게 되어 다양한 방향으로의 오차가 발생. 이러한 오차는 장치의 정밀도 및 내구성을 저하시킴. 이러한 오차 발생을 보상하는 능동적인 수단이 요구됨

□ 기술의 특징

• 모델 구축 방법, 캘리브레이션 모델 및 캘리브레이션 모델을 포함하는 6축 제어장치에 관한 것으로서, 6축 제어장치로부터 cross talk 및 hysteresis를 감소시키기 위한 6축 힘/토크 센서의 실시간 AI기반 보정 클라우드 시스템을 제공.

• 모델을 구축하는 방법

• (S10) : 다축에 포함된 각각의 축에 연결된 감지부(100)와 감지부(100)로부터 감지된 감지정보를 수신하는 제1모듈(200)이 연결되는 제1모듈 연결 단계

• (S20) : 제1모듈(200)이 감지부(100)로부터 감지정보를 수신하는 데이터 수신 단계
• (S30) : 제1모듈로부터 디지털 신호로 변환된 감지정보를 학습부(300)에서 수신받아 보정 모델을 구축하는 보정 모델 구축 단계

• (S40) : 학습부(300)로부터 구축된 보정모델이 제1모듈(200)로 전달되는 보정 모델을 제1모듈에 적용하는 제1모듈 적용 단계
• (S50) : 제1모듈(200)의 제1메모리(222)에 보정모델이 저장되는 데이터 저장 단계

• (S50) : 제1모듈(200)에 적용된 보정모델이 감지부(100)로부터 전달되는 감지정보를 기 결정된 처리하여 보정 데이터를 출력하는 보정 데이터 출력 단계

□ 기술의 효과

- 인공지능 보정 알고리즘을 통한 해결을 위해 증가되는 연산량을 클라우드화하여 로컬장비의 연산량 부하 문제를 해결할 수 있음

- 신경망 알고리즘 및 함수가 로컬 저장매체에 저장되지 않도록 하여 보안성이 개선된 인공지능 신경망 보안 설계가 가능

- 연산량 증가에 관한 설계 요구가 없어 로컬장비의 간소화를 구현할 수 있음