Postopno učenje robotskih nalog sestavljanja s sodelovanjem človeka z robotomSIMONIČ, MIHAEL (Avtor) Nemec, Bojan (Mentor) robotsko sestavljanjeučenje z demonstracijodinamični generatorji gibovpostopno izboljševanje robotskih nalogobravnavanje napakstatistično posploševanjevečmodalno združevanje podatkovučenje v stiku z okoljemučenje v omejenem okoljuRobotsko sestavljanje je eno ključnih opravil v proizvodnih procesih. Pomembno je tudi za prihodnjo generacijo robotov, ki bo namenjena uporabi izven industrijskih okolij. Tradicionalno programiranje robotov za naloge sestavljanja je lahko zamudno. Vnaprej je potrebno predvideti vse možne situacije in ustvariti robotski program, ki je največkrat zapleten. To zahteva dobro znanje programiranja in razumevanje robotike. Uporaba robotov je tudi zaradi tega omejena večinoma na industrijske aplikacije s predvidljivimi in dobro opredeljenimi nalogami. Za širšo uporabo robotov je potrebno razviti hitre, intuitivne in učinkovite rešitve za prenos človeškega znanja na robotski sistem. V tej disertaciji preučujemo možnosti sodelovanja med človekom in robotom za postopno učenje nalog sestavljanja. Pri tem se osredotočamo na izkoriščanje spremenljive podajnosti sodelujočih robotov. Zasnovali smo sistem za robotsko učenje nalog sestavljanja, prilagodljiv različnim razmeram. Robota učimo na dva dopolnjujoča se načina: prek demonstracij in s sledenjem okoljskim omejitvam. Izvedbo nalog sestavljanja je mogoče sčasoma izboljšati z različnimi postopki sodelovanja med človeškim operaterjem in robotom: postopno izpopolnjevanje s kinestetičnim vodenjem in učenjem reševanja iz nepredvidenih situacij, ki se lahko pojavijo med sestavljanjem. V prvem delu disertacije se osredotočamo na izboljševanje metod kinestetičnega vodenja. Za učinkovito uporabo teh metod pri nalogah sestavljanja je namreč bistvenega pomena kakovost zajetih demonstracij. Naše delo temelji na opažanju, da je izvajanje nalog sestavljanja mogoče bistveno izboljšati v nekaj ponovitvah, podobno kot človek z vajo in prejemanjem povratnih informacij izpili svoje spretnosti. V ta namen smo razvili postopek za postopno izboljševanje obstoječih trajektorij s kinestetičnim vodenjem po navideznih tunelih s poljubno hitrostjo. Pri tem človeški operater robotu lahko demonstrira začetne gibe in jih nato izpopolnjuje, dokler ni dosežena želena izvedba naloge. Ker je zapletene gibe pri nizki hitrosti možno natančneje prikazati, sistem omogoča tudi ločeno izpopolnjevanje prostorskega in časovnega dela naloge. Operater najprej pri poljubni hitrosti izpopolni prostorski del, tj. obliko trajektorije. V zadnji fazi postopka demonstrira še želeno hitrost izvajanja naloge. Spreminjanje oblike in hitrosti trajektorije izvajamo s premikanjem vrha robota vzdolž navideznega tunela. V drugem delu disertacije se ukvarjamo z zagotavljanjem zanesljivega izvajanja nalog sestavljanja v nestrukturiranih okoljih, kjer nepredvidene situacije lahko povzročijo napake, četudi je robot skrbno programiran in optimiziran. Predlagamo sodelujoč pristop za obravnavo tovrstnih situacij. Za zagotavljanje robustnega izvajanja nalog robotskega sestavljanja predlagamo večstopenjski postopek, ki ob nastopu nepredvidene situacije izbere primerno strategijo za vrnitev v normalni način delovanja. Sprva robotski sistem nima znanja za izbiro primerne strategije. Zato si zapomni okoliščine, pri katerih je prišlo do napake in opazuje, kako bo situacijo reševal operater s pomočjo našega postopka za izboljševanja nalog. Če kasneje nastopi podobna situacija, lahko robotski sistem na podlagi tako pridobljenega znanja z uporabo tehnik statističnega posploševanja avtonomno reši nastali problem. Cilj našega pristopa je povečati zanesljivost robotskega sistema in hkrati zmanjšati potrebo po človeškem posredovanju pri nalogah sestavljanja. Učenje operacij sestavljanja je dolgotrajen in zahteven proces. Zato je cilj v tretjem delu disertacije omogočiti robotu, da se samostojno nauči določenih operacij v procesu sestavljanja. Eden glavnih izzivov za avtonomno učenje v robotiki je namreč velik iskalni prostor, ki ga mora robot raziskati, preden se nauči pravilno izvajati nalogo. Robot je med robotskim sestavljanjem praviloma v fizičnem stiku z okoljem. Učenje robotskih nalog v stiku z okoljem tradicionalno sicer velja za zahtevnejše — saj je potrebno upoštevati interakcijske sile med robotskim sistemom in okoljem — vendar je lahko pod določenimi pogoji učinkovitejše. Ključna ugotovitev pri tem je, da je zaradi okoljskih omejitev manj dopustnih smeri gibanja, kar zmanjša število učnih parametrov in omogoča hitrejše učenje. Na podlagi te ugotovitve uvedemo hierarhično shemo spodbujevanega učenja. Na nižji ravni vključuje vodenje, ki robota premika vzdolž okoljskih omejitev. Vmesna raven sistematično išče stanja, v katerih je gibanje možno v različnih smereh. Na višji ravni izvedemo optimizacijo zaporedja prehodov med identificiranimi stanji. Vse tri razvite pristope za izboljšanje učenja robotskega sestavljanja smo preizkusili z uporabo sodelujoče robotske platforme in ovrednotili v različnih eksperimentih, kar dokazuje učinkovitost predlaganih metod.20232023-06-21 09:40:00Doktorsko delo/naloga147041VisID: 52223COBISS_ID: 156815107sl