Generalization and anticipation skills for robot ball catching using supervised learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10773/23856 |
Resumo: | Abordagens por aprendizagem são uma das formas mais interessantes para dotar robôs com melhores capacidades em termos de autonomia e adaptação. Esta dissertação aborda o problema da captura de uma bola por parte de um robô, focando-se no potencial das técnicas de aprendizagem supervisionada para lidar com as exigências impostas aos sistemas de perceção e ação. A primeira parte desta dissertação tem por objetivo demonstrar que a previsão de intenção através da observação de ações humanas representa uma capacidade importante em robôs que realizam tarefas interativas. Este trabalho explora o papel de antecipações que provêm da observação do movimento de lançamento da bola para melhorar a capacidade de previsão do sistema robótico na interação com um parceiro humano. Para o efeito, uma rede neural do tipo "feedforward" é treinada para estimar a posição e velocidade inicial da bola em voo, dada uma sequencia de observações iniciais. O manipulador robótico adotado neste estudo, com 3 graus de liberdade, reage a atualizações no ponto e tempo de captura previstos usando um método baseado no Jacobiano para obter uma solução para a cinemática inversa. Várias simulações demonstram que a abordagem proposta supera até 20% a metodologia clássica em que a geração de previsões depende unicamente de informações disponíveis durante a fase de voo da bola. Na segunda parte, esta dissertação adota uma abordagem bio inspirada para a geração de movimentos capazes de lidar com as exigências de adaptação on-line do braço robótico. Em particular, este estudo destina-se à formulação matemática de primitivas discretas de movimento para reproduzir e generalizar uma única trajetória aprendida. O método é validado com um manipulador robótico com 6 graus de liberdade usando o simulador V-REP. As simulações realizadas mostram que as primitivas de movimento são apropriadas para reproduzir e generalizar uma trajetória de demonstração desejada. |
id |
RCAP_d659be1de9073583ce92b65092259642 |
---|---|
oai_identifier_str |
oai:ria.ua.pt:10773/23856 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Generalization and anticipation skills for robot ball catching using supervised learningEngenharia eletrónica e telecomunicaçõesInteracção humano-robotAprendizagem automáticaRedes neuronaisAbordagens por aprendizagem são uma das formas mais interessantes para dotar robôs com melhores capacidades em termos de autonomia e adaptação. Esta dissertação aborda o problema da captura de uma bola por parte de um robô, focando-se no potencial das técnicas de aprendizagem supervisionada para lidar com as exigências impostas aos sistemas de perceção e ação. A primeira parte desta dissertação tem por objetivo demonstrar que a previsão de intenção através da observação de ações humanas representa uma capacidade importante em robôs que realizam tarefas interativas. Este trabalho explora o papel de antecipações que provêm da observação do movimento de lançamento da bola para melhorar a capacidade de previsão do sistema robótico na interação com um parceiro humano. Para o efeito, uma rede neural do tipo "feedforward" é treinada para estimar a posição e velocidade inicial da bola em voo, dada uma sequencia de observações iniciais. O manipulador robótico adotado neste estudo, com 3 graus de liberdade, reage a atualizações no ponto e tempo de captura previstos usando um método baseado no Jacobiano para obter uma solução para a cinemática inversa. Várias simulações demonstram que a abordagem proposta supera até 20% a metodologia clássica em que a geração de previsões depende unicamente de informações disponíveis durante a fase de voo da bola. Na segunda parte, esta dissertação adota uma abordagem bio inspirada para a geração de movimentos capazes de lidar com as exigências de adaptação on-line do braço robótico. Em particular, este estudo destina-se à formulação matemática de primitivas discretas de movimento para reproduzir e generalizar uma única trajetória aprendida. O método é validado com um manipulador robótico com 6 graus de liberdade usando o simulador V-REP. As simulações realizadas mostram que as primitivas de movimento são apropriadas para reproduzir e generalizar uma trajetória de demonstração desejada.Learning approaches are one of the most interesting ways for endowing robots with advanced capabilities in terms of autonomy and adaptability. This dissertation addresses the problem of robot ball catching by focusing on the potential of supervised learning techniques to deal with the demands imposed to the perception and action systems. The rst part of this dissertation aims to show that intention prediction from observation of human actions may be an essential skill for robots performing interactive tasks. This work explores the role of early anticipations to improve the prediction ability of a robotic system playing ball catch with a human partner. The source of anticipatory information comes from the observation of the thrower's motion before the ball is released. For that purpose, a feed-forward neural network is trained to estimate the initial position and velocity of the ball in- ight given a sequence of motion observations during the throwing phase. A 3-degrees-of-freedom manipulator, adopted in this study, reacts to updates in the predicted catching point and time through a Jacobian-based scheme that provides an inverse kinematics solution. Several simulation results demonstrate that the proposed approach outperforms up to 20% the classical methodology in which the generation of predictions relies only in available information during the ight phase of the ball. In the second part, this dissertation adopts a bio-inspired movement generation approach to deal with requirements of online adaptation of the robot's arm motion. Particularly, it is studied the mathematical formulation of discrete movement primitives in order to reproduce and generalize a single learned demonstration. The method is validated with a robot arm of 6-degree-of-freedom on the V-REP simulation environment. The experiments conducted show that these movement primitives are adequate for reproducing and generalizing a desired trajectory.Universidade de Aveiro2018-07-16T16:41:26Z2017-01-01T00:00:00Z2017info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10773/23856TID:201943140engCarneiro, Diogo José Vazinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-02-22T11:47:01Zoai:ria.ua.pt:10773/23856Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T02:57:45.704854Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Generalization and anticipation skills for robot ball catching using supervised learning |
title |
Generalization and anticipation skills for robot ball catching using supervised learning |
spellingShingle |
Generalization and anticipation skills for robot ball catching using supervised learning Carneiro, Diogo José Vaz Engenharia eletrónica e telecomunicações Interacção humano-robot Aprendizagem automática Redes neuronais |
title_short |
Generalization and anticipation skills for robot ball catching using supervised learning |
title_full |
Generalization and anticipation skills for robot ball catching using supervised learning |
title_fullStr |
Generalization and anticipation skills for robot ball catching using supervised learning |
title_full_unstemmed |
Generalization and anticipation skills for robot ball catching using supervised learning |
title_sort |
Generalization and anticipation skills for robot ball catching using supervised learning |
author |
Carneiro, Diogo José Vaz |
author_facet |
Carneiro, Diogo José Vaz |
author_role |
author |
dc.contributor.author.fl_str_mv |
Carneiro, Diogo José Vaz |
dc.subject.por.fl_str_mv |
Engenharia eletrónica e telecomunicações Interacção humano-robot Aprendizagem automática Redes neuronais |
topic |
Engenharia eletrónica e telecomunicações Interacção humano-robot Aprendizagem automática Redes neuronais |
description |
Abordagens por aprendizagem são uma das formas mais interessantes para dotar robôs com melhores capacidades em termos de autonomia e adaptação. Esta dissertação aborda o problema da captura de uma bola por parte de um robô, focando-se no potencial das técnicas de aprendizagem supervisionada para lidar com as exigências impostas aos sistemas de perceção e ação. A primeira parte desta dissertação tem por objetivo demonstrar que a previsão de intenção através da observação de ações humanas representa uma capacidade importante em robôs que realizam tarefas interativas. Este trabalho explora o papel de antecipações que provêm da observação do movimento de lançamento da bola para melhorar a capacidade de previsão do sistema robótico na interação com um parceiro humano. Para o efeito, uma rede neural do tipo "feedforward" é treinada para estimar a posição e velocidade inicial da bola em voo, dada uma sequencia de observações iniciais. O manipulador robótico adotado neste estudo, com 3 graus de liberdade, reage a atualizações no ponto e tempo de captura previstos usando um método baseado no Jacobiano para obter uma solução para a cinemática inversa. Várias simulações demonstram que a abordagem proposta supera até 20% a metodologia clássica em que a geração de previsões depende unicamente de informações disponíveis durante a fase de voo da bola. Na segunda parte, esta dissertação adota uma abordagem bio inspirada para a geração de movimentos capazes de lidar com as exigências de adaptação on-line do braço robótico. Em particular, este estudo destina-se à formulação matemática de primitivas discretas de movimento para reproduzir e generalizar uma única trajetória aprendida. O método é validado com um manipulador robótico com 6 graus de liberdade usando o simulador V-REP. As simulações realizadas mostram que as primitivas de movimento são apropriadas para reproduzir e generalizar uma trajetória de demonstração desejada. |
publishDate |
2017 |
dc.date.none.fl_str_mv |
2017-01-01T00:00:00Z 2017 2018-07-16T16:41:26Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10773/23856 TID:201943140 |
url |
http://hdl.handle.net/10773/23856 |
identifier_str_mv |
TID:201943140 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade de Aveiro |
publisher.none.fl_str_mv |
Universidade de Aveiro |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799137631734333440 |