Dissertação
Representation Learning for In-Hand Object Manipulation EVALUATED
Os humanos estão cada vez mais dependentes de robôs que sejam capazes de nos substituir na realização de tarefas simples. No entanto, a capacidade dos robots de se adaptarem e realizarem tarefas mais complexas, especialmente tarefas que requerem destreza, é reduzida. Esta tese tem como objectivo o desenvolvimento de um modelo que seja capaz de manipular um conjunto de objectos usando uma mão simulada, através de métodos de Aprendizagem por Reforço, baseados em sensores de toque. Isto apresenta um problema para a maior parte dos métodos de Aprendizagem por Reforço, dado que existe um elevado número de variáveis a ter em consideração. De modo a contornar este problema, este trabalho propõe a possibilidade de usar uma representação latente do estado, de modo a testar se o modelo aprende mais rápido e/ou melhor a realizar um conjunto de tarefas. Esta representação é obtida através de um segundo modelo e deve condensar as características mais importantes do estado atual. Adicionalmente, este trabalho pretende avaliar a hipótese de usar sinergias para controlar a mão, de modo a reduzir o número de dimensões das ações. O resultado mais notável desta tese é que ao usar a representação do estado, o controlador é capaz de generalizar o controlo a objectos com formas únicas. Relativamente ao espaço das ações, também é mostrado que ao usar sinergias, é possível reduzir a dimensão das ações para menos de metade, mantendo o nível de performance.
setembro 14, 2021, 8:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar Convidado