FenixEdu™

Dissertação

Safety Based Machine Learning for Mechanical Systems EVALUATED

Detalhes: O uso de robô autónomos para manufaturação tem vindo a ser uma área emergente na robótica. Quando um sistema autónomo está no processo de aprendizagem do seu modelo dinâmico ou o ambiente envolvente, é critico que a segurança do sistema seja assegurada, que pode ir desde evitar colisões com obstáculos até à prevenção de violações das restrições impostas pelo sistema. O uso de uma abordagem de caixa negra (black-box) para modelar as dinâmicas do sistema geralmente requer uma grande quantidade de dados e esta abordagem não generaliza bem. Pode-se evitar isto utilizando uma abordagem de caixa cinzenta (grey-box) que combina métodos de aprendizagem profunda com o conhecimento a priori da física. Nesta tese, foi desenvolvido um método de controlo com aprendizagem em segurança que combina MPC e uma rede Lagrangiana profunda. A rede lagrangiana aprende o modelo dinâmico do sistema utilizando os conhecimentos físicos a priori. O MPC controla o sistema e garante a sua segurança impondo restrições lineares e não lineares, tendo em conta a incerteza associada com o modelo dinâmico enquanto o aprende. Os resultados experimentais foram obtidos utilizando um braço robótico simulado com 2 graus de liberdade a executar uma tarefa de rastreamento. Utilizando o método desenvolvido, o robô aprende o modelo do sistema online de maneira segura, enquanto cumpre o seu objetivo de seguir uma trajetória.
Keywords: Aprendizagem em segurança, Aprendizagem com antecedentes físicos, Model predictive control

Discussão: novembro 25, 2022, 11:0