Escudo de la República de Colombia
Sistema Nacional de Biliotecas - Repositorio Institucional Universidad Nacional de Colombia Biblioteca Digital - Repositorio Institucional UN Sistema Nacional de Bibliotecas UN

Aportes en la Generalización de Habilidades en Aprendizaje por Imitación de Robots

Hoyos Gutiérrez, José Gabriel (2015) Aportes en la Generalización de Habilidades en Aprendizaje por Imitación de Robots. Doctorado thesis, Universidad Nacional de Colombia - Sede Manizales.

Texto completo

[img]
Vista previa
PDF - Versión Aceptada
Available under License Creative Commons Attribution Non-commercial No Derivatives.

5MB

Resumen

En programación por demostración (PpD) de robots, las variaciones de posición de los objetos relacionados con una tarea, requieren nuevas trayectorias que respondan a estas. Una de las técnicas existentes, es el modelo de mezcla de gaussianas parametrizado en la tarea. Este modelo permite relacionar los movimientos del robot con metas y poses de objetos, los cuales son los llamados parámetros de la tarea. Un problema que aparece es que se deben generalizar las trayectorias tanto en el espacio cartesiano, como en el de articulación, más específicamente, se requiere tener la cinemática inversa del robot, con el cual se puedan estimar las trayectorias de articulación, a partir de las trayectorias cartesianas. Un segundo problema que se presenta cuando se manejan objetos deformables, es que se pueden presentar fallos de ejecución, lo que requiere de una o varias acciones de recuperación. Un tercer problema es que, aunque las técnicas de generalización responden ante cambios, en ciertas ocasiones es necesario incluir nuevos comportamientos, los cuales pueden ser diferentes a los ya aprendidos. Este trabajo, se centra en tres aportes relacionados con generalización de trayectorias: i) El aprendizaje y aplicación en PpD de la cinemática directa con una red neuronal llamada máquina de aprendizaje extremo y con la cual se estima la cinemática inversa; ii) La recuperación ante fallos de ejecución en tareas empleando múltiples modelos de mezcla de gaussianas parametrizados en la tarea, y iii) El aprendizaje incremental de trayectorias novedosas en modelos de mezcla de gaussianas parametrizados en la tarea. El funcionamiento de las técnicas propuestas fue probado a través de simulaciones y experimentos con robots reales. La máquina de aprendizaje extremo, aunque requiere un buen número de datos para estimar la cinemática directa, presenta un error bajo cuando se compara con el obtenido por transformaciones homogeneas. Para las propuestas de recuperación a fallos y aprendizaje incremental, se evaluó la tarea de colocar una manga a un maniquí con un manipulador robótico. En la técnica de recuperación de fallos se encontró que la técnica propuesta mejora la realización de la tarea en la mayoría de los casos; y en el aprendizaje incremental, el nuevo modelo parametrizado obtenido después del incremento, presenta mejores respuestas que las logradas empleando el modelo existente, Abstract : In robot programming by demonstration (PbD) object positions changes related to a task, requires new trajectories that respond to these. One of the existent technique is the task parametrized Gaussian mixture model. This technique allows to relate the robot movements with goals and objects poses, which are called task parameters. One problem that emerge is the need of generalization in cartesian and joint space, specifically it is required to have the direct kinematic model of the robot, with which it is possible to estimate the joints trajectories from cartesian ones. A second problem that arises is that when manipulate deformable object, it is possible to have execution fails, it requires the execution of one of more actions to recovery the fail. A third problem is that, although the generalization technique responds to changes, in certain occasions, is necessary to include new behaviors, which can be different from those already learned. This work focuses on three contributions related to trajectory generalization issue: i) The learning and application of the direct kinematics, in PbD using a neural network called extreme learning machine; ii) The recovery of execution fails, in tasks programming with multiple task parametrized gaussian mixture models, and iii) The incremental learning of novelty trajectory, in task parametrized gaussian mixture models. The proposed techniques were tested through simulations and experiments with real robots. Although the extreme learning machine requires a big number of data to estimate the kinematics, it has a low error, when comparing it with the obtained from homogeneus transforms. For the proposed techniques in fail recovery and incremental learning, the task of putting a sleeve to a mannequin with a robotic manipulator was evaluated. In fail recovery, was found that the technique improving the task performance in most cases; and in the incremental learning, the new task parameterized model obtained after the increase, showed better performance than that of the existent model

Tipo de documento:Tesis/trabajos de grado - Thesis (Doctorado)
Colaborador / Asesor:Prieto, Flavio
Información adicional:Tesis presentada como requisito parcial para optar al título de: Doctor en Ingeniería - Ingeniería Automática -- Línea de Investigación: Robótica.
Palabras clave:Programación por demostración, Máquina de aprendizaje extremo, Recuperación a fallos en robótica, Aprendizaje incremental en robótica, Humanoids, Programming by demonstration, Imitation learning, Robot execution fail recovery, Robot incremental learning
Temática:6 Tecnología (ciencias aplicadas) / Technology > 62 Ingeniería y operaciones afines / Engineering
Unidad administrativa:Sede Manizales > Facultad de Ingeniería y Arquitectura > Departamento de Ingeniería Eléctrica, Electrónica y Computación
Código ID:54797
Enviado por : Biblioteca Digital Universidad Nacional de Colombia - Sede Manizales
Enviado el día :05 Dec 2016 19:47
Ultima modificación:05 Dec 2016 19:50
Ultima modificación:05 Dec 2016 19:50
Exportar:Clic aquí
Estadísticas:Clic aquí
Compartir:

Solamente administradores del repositorio: página de control del ítem

Vicerrectoría de Investigación: Número uno en investigación
Indexado por:
Indexado por Scholar Google WorldCat DRIVER Metabiblioteca OAIster BASE BDCOL Registry of Open Access Repositories SNAAC Red de repositorios latinoamericanos eprints Open archives La referencia Tesis latinoamericanas OpenDOAR CLACSO
Este sitio web se ve mejor en Firefox