PRIDOBIVANJE ELEMENTARNIH GIBOV ZA ROBOTSKO UČENJEVUGA, ROK (Avtor) Ude, Aleš (Mentor) učenje s posnemanjemrobotska manipulacijasemantični dogodkiverjetnostni semantični modelidinamični generatorji gibovoptimizacija hitrostnih profilovstabilnost humanoidnih robotovspodbujevano učenjeusmerjeno raziskovanjeNajrazličnejši robotski mehanizmi že dolgo igrajo pomembno vlogo v industrijski proizvodnji. Sposobnosti robotskih sistemov na marsikaterem področju že danes prekašajo človeške, še posebej pri nalogah, pri katerih so potrebne ponavljajoče se in natančne operacije. Po drugi strani pa tehnološki napredek robotskih sistemov močno zaostaja za človekom pri nalogah, ki zahtevajo sprotno prilagajanje v nestrukturiranih okoljih, kot so na primer naši domovi. Posledica tega je, da je uporaba robotov za pomoč ljudem v vsakdanjem življenju trenutno zelo omejena. Ena od potencialnih rešitev, da bi roboti lahko postali bolj uporabni tudi v naravnem človekovem okolju je, da bi se roboti znali učiti na podoben način kot ljudje. V tem doktorskem delu obravnavamo dva načina robotskega učenja: učenje s posnemanjem in avtonomna adaptacija in optimizacija naučenih operacij. Pri prvem načinu robot izlušči podatke o izvedbi naloge z opazovanjem demonstratorja, ki nalogo uspešno izvede. Pri drugem načinu pa robot z večkratnim ponavljanjem izvedbe samostojno išče rešitve za izboljšanje uspešnosti. Pri učenju z demonstracijo mora robot demonstrirano nalogo zajeti in predstaviti z ustreznim modelom. Izbira tipa modela je pomembna, saj mora ta zadostiti več pomembnim zahtevam. V tem delu obravnavamo modele nalog tako na višjem, semantičnem nivoju , kot tudi na nižjem nivoju trajektorij gibanja. Razvili smo novo metodo za predstavitev manipulacijskih nalog z verjetnostnimi semantičnimi modeli. Poleg tega smo predlagali tudi razširitev obstoječe metode predstavitve gibanj z dinamičnimi generatorji gibov, ki omogoča neodvisno predstavitev poti in hitrostnega profile trajektorije. Namen opazovanja demonstrirane izvedbe neke naloge je običajno ta, da bi robot bil naposled sposoben nalogo sam izvesti. Neposredno kopiranje demonstratorjevih gibov ne pride v poštev zaradi razlik v zgradbi robotovega in demonstratorjevega telesa. Ta problem lahko obravnavamo z metodami kot je spodbujevano učenje. Trajektorije demonstratorja, ki za robota niso optimalne, lahko robot sam prilagodi s ponavljanjem in preizkušanjem različnih adaptacij naučenega vzorca. V tem delu predlagamo nove metodo za robotsko učenje, ki združuje prednosti iterativnih učečih regulatorjev (angl. ‘iterative learning control’) in spodbujevanega učenja. Razvite metode smo preizkusili na problemu učenje hitrostnih profilov trajektorij in posnemanja gibanja ob ohranjanju stabilnosti humanoidnega robota. V pričujoči doktorski nalogi smo predstavili nove algoritme za robotsko učenje s posnemanjem. Najprej smo predstavili način za predstavitev manipulacijski nalog s pomočjo modeliranja semantičnih dogodkov z diskretnimi verjetnostnimi porazdelitvami. Pokazali smo, da lahko na ta način pridobimo modele manipulacijskih nalog z dobrimi sposobnostmi razpoznavanja. Razvili smo tudi nov postopek, v katerem smo pridobljene semantične modele uporabili v kombinaciji z nižjenivojskimi modeli trajektorij za luščenje znanih elementarnih nalog iz daljših demonstracij. Predstavili smo tudi nov način za modeliranje trajektorij z dinamičnimi sistemi, pri katerih sta pot ter hitrostni profil trajektorije parametrizirana posebej. To omogoča ločeno učenje kot tudi prenašanje profilov med različnimi nalogami. Predstavljeni zapis trajektorij smo uporabili v eksperimentu, v katerem je moral robot prenesti kozarec vode kar se da hitro po vnaprej določeni poti. Obravnavali smo tudi problem učenja novih gibanj s posnemanjem, pri kateremu mora humanoidni robot ostati stabilen. Razvili smo nov sistem, pri katerem robot preslika demonstratorjevo gibanje v ničelni prostor gibanja lastnega težišča, s čimer je zagotovljena stabilna izvedba giba, podobnega demonstriranemu. Pokazali smo, da lahko z uporabo primerne kriterijske funkcije in spodbujevanega učenja tako pridobljeni začetni približek izboljšamo na način, da je robotovo gibanje še bliže demonstriranemu, ne da bi to pokvarilo njegovo stabilnost. Nazadnje smo razvili algoritem, ki predstavlja kombinacijo spodbujevanega učenja in usmerjenega raziskovanja. Ta izkorišča dodatno znanje, kot sta na primer baza rešitev podobnih primerov ali kriterijska funkcija za učeči iterativni regulator. Naš algoritem združuje hitro konvergenco učečega iterativnega regulatorja in stabilnost rešitve spodbujevanega učenja. Predlagani algoritem smo preizkusili tako v simulaciji kot tudi na realnem robotu.20152015-12-21 08:50:08Doktorsko delo/naloga73978VisID: 33221COBISS_ID: 11261780sl