FenixEdu™

Dissertação

SENSORIMOTOR GRAPH: Action-Conditioned Relational Forward Model Learning of Robotic Soft Hand Dynamics EVALUATED

Detalhes: A robótica soft é um ramo florescente da robótica, inspirado na natureza e que utiliza materiais acessíveis para conceber robôs não-rígidos versáteis. Contudo, o comportamento flexível destes robôs torna-os difíceis de modelar - essencial para serem atuados com precisão e para um controlo ótimo. O problema de modelar uma mão robótica mole é análogo no reino animal aos processos de auto-descoberta sensorimotora que ocorrem nas primeiras fases da vida humana. Na modelação de um sistema, a sua natureza estrutural não é frequentemente contabilizada, já que nem sempre tem uma representação fácil, mas constitui uma vantagem valiosa na compreensão da sua cinemática e na previsão de dinâmicas futuras. Esta questão foi abordada com as Redes Neuronais em Grafo (RNGs), que tiram partido da composicionalidade do sistema e da permutabilidade na ordem dos elementos para combinar redes neuronais artificiais com representações baseadas em grafos. Para encontrar uma estratégia de modelação de sistemas robóticos não-rígidos e inspirados pela aprendizagem sensorimotora e pelo recente trabalho em RNGs, propomos um mecanismo de auto-calibração que aprende o modelo dinâmico, relacional e condicionado-por-ações, da cadeia cinemática não-rígida de uma garra robótica flexível. Denominamos o nosso modelo como 'Grafo Sensorimotor' e comparamos este modelo com modelos-de-base para avaliar o seu desempenho e robustez em condições crescentemente adversas. Mostramos que a nossa solução supera os modelos-de-base estudados em cenários básicos e não é significativamente afetada por variações configuracionais, erros de seguimento ou falhas pontuais, estendendo o estado-da-arte em direções fundamentais para aperfeiçoar a modelação e atuação da robótica soft.
Keywords: Robótica Mole, Modelo Dinâmico Relacional, Redes Neuronais em Grafo, Aprendizagem Sensorimotora

Discussão: fevereiro 12, 2021, 9:0