Dissertação
Combining Active Learning with Neural Networks for Robot Self-Calibration EVALUATED
A calibração de robôs pode ser laboriosa, cara e demorada. Robôs não industriais, como robôs humanoides e flexíveis, têm cadeias de cinemática complexas com diversos graus de liberdade que são difíceis de modelar. É importante que o robot seja continuamente calibrado para manter a sua produtividade e adaptação a novos ambientes. Aprendizagem Ativa é um processo de decisão que escolhe as observações mais informativas para reduzir o número de amostras necessárias para aprender um modelo. Usando uma rede neuronal para aprender o modelo de cinemática de um robô oferece mais flexibilidade do que usando os tradicionais parâmetros de Denavit–Hartenberg (DH). Nesta tese propomos um framework combinando as capacidades de aprendizagem de aprendizagem profunda com a eficiência de seleção de amostras de Aprendizagem Ativa para a auto-calibração de um robô humanoide. Este trabalho foi implementado num ambiente de simulação e usa o braço direito de 7 graus de liberdade do simulador do iCub. O framework é testado para três diferentes abordagens de Aprendizagem Ativa: i) Amostragem Ambiciosa na entrada, ii) Amostragem Ambiciosa melhorada e iii) Monte Carlo Dropout. Os desempenhos destas abordagens são comparados com seleção aleatoria das amostras. Os resultados mostram que usando amostragem ambiciosa na entrada melhora o desempenho da aprendizagem da rede neuronal superando a amostragem aleatória e as outras abordagens.
novembro 17, 2023, 12:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Alexandre José Malheiro Bernardino
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado