Dissertação

Deep Reinforcement Learning of the Inverse Pushing Model in Robotics EVALUATED

Esta tese apresenta uma abordagem de aprendizagem por reforço profunda para aprender modelos inversos de ações de empurrar objetos individuais, dada a disponibilidade do modelo direto. A abordagem proposta consegue aprender o modelo inverso que permite selecionar a melhor ação para empurrar um determinado objeto de modo a cumprir uma tarefa, para o qual é possível obter uma nuvem de pontos em tempo real. Este trabalho ilustra a aplicação desta abordagem em objetos do tipo caixa. As ações que empurram os objetos numa superfície plana são do tipo quase-estático em duas dimensões. Os modelos inversos são aprendidos para um conjunto discreto de ações e têm como objetivo empurrar os objetos para o mais próximo possível da posição e orientação desejadas numa única ação. As ações são parametrizadas por pontos de contacto amostrados na superfície do objeto e por modelos de movimento que representam deslocações lineares e angulares possíveis para o robot dado. As posições e orientações desejadas são amostradas de uma densidade de probabilidade Gaussiana treinada a partir de resultados obtidos a partir do modelo direto. No ambiente considerado, a abordagem proposta consegue taxas de sucesso de cerva de 80%.
Aprendizagem por Reforço, Empurrar Objectos, Robots Móveis, Modelos Diretos, Modelos Inversos

Fevereiro 15, 2021, 14:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Claudio Zito

Autonomous Robotics Research Centre Technology Innovation Institute (UAE)

Investigador Coordenador

ORIENTADOR

Alexandre José Malheiro Bernardino

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado