Dissertação
Active Robot Learning for Efficient Body Schema Online Adaptation EVALUATED
Os robôs humanóides possuem corpos complexos e cadeias cinemáticas com vários graus de liberdade que são difíceis de modelar. É possível aprender os parâmetros de um modelo cinemático ao observar a pose dos corpos rígidos da cadeia durante movimentos prospetivos e minimizando os erros de predição. Esta tese propõe um método para estimar a estrutura de um braço robótico humanóide, na forma de parâmetros de Denavit-Hartenberg, de forma eficiente (que permita reduzir o consumo de energia e o desgaste mecânico). É usada uma abordagem de aprendizagem ativa, baseada no critério A-Optimality, que considera a eficiência de movimentos ao selecionar ângulos ótimos para as articulações. Estes ângulos são informativos para a estimação e minimizam o movimento efetuado durante o processo de calibração, simultaneamente. A implementação foi feita em ambiente de simulação, utilizando o braço robótico com 7 graus de liberdade do iCub Simulator. A pose da mão é medida com uma única câmera usando marcadores ArUco, colocados na palma e nas costas da mão. É proposto um modelo de ruído pose-dependent, para reduzir o impacto do ruído de medição não uniforme, e um modelo de oclusão não paramétrico, para evitar a escolha de configurações do braço em que os marcadores não estão visíveis e reduzir o número de tentativas de amostragem falhadas. Os resultados mostram que a abordagem de aprendizagem ativa com consideração pela eficiência dos movimentos tem um desempenho semelhante a uma abordagem de aprendizagem ativa convencional e reduz significativamente o movimento efetuado durante a calibração.
janeiro 25, 2021, 14:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Alexandre José Malheiro Bernardino
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado
