Dissertação

Active Learning for Robot Exploration - Bayesian Optimization for Object Grasping EVALUATED

Agarrar objectos de forma segura e robusta é um grande desafio na área de robótica, sem uma solução generalizada até hoje. Uma das soluções mais promissoras nesta área baseia-se na exploração com base em dados hápticos, onde estratégias de exploração activa são aplicadas para reduzir o número de tentativas necessárias durante a exploração. Existem dois problemas principais que devemos considerar: a não-convexidade e diferentes graus de suavidade da função de exploração; a métrica de qualidade de aperto óptima (que maximiza a função de exploração), determinada durante a actividade de aprendizagem, pode ser demasiado sensível a pequenas perturbações dos seus parâmetros de configuração nominais (apertos não-seguros). Para reduzir o risco de falhar ao agarrar um objecto, configurações de apertos seguros devem ser preferencialmente escolhidos. Assim sendo, neste trabalho usamos Processos Gaussianos em Árvore (TGPs) para modelar a métrica de exploração de forma mais exacta e propomos um novo algoritmo, Optimização Bayesiana Uscented (UBO), que realiza uma optimização eficiente ao mesmo tempo que considera a presença ruído do espaço de entrada, levando a descobrir óptimos seguros. Os resultados que apresentamos (tanto sintéticas como em simulador) realçam que as duas contribuições superam a Óptimização Bayesiana clássica no que toca a encontrar apertos robustos e seguros em poucas tentativas de exploração.
Optimização Bayesiana, Aprendizagem Automática, Agarrar, iCub, Unscented Bayesian Optimization, Processos Gausseanos em Árvore

Maio 25, 2017, 11:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Alexandre José Malheiro Bernardino

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado