Dissertação

{en_GB=SENSORIMOTOR GRAPH: Action-Conditioned Relational Forward Model Learning of Robotic Soft Hand Dynamics} {} EVALUATED

{pt=A robótica soft é um ramo florescente da robótica, inspirado na natureza e que utiliza materiais acessíveis para conceber robôs não-rígidos versáteis. Contudo, o comportamento flexível destes robôs torna-os difíceis de modelar - essencial para serem atuados com precisão e para um controlo ótimo. O problema de modelar uma mão robótica mole é análogo no reino animal aos processos de auto-descoberta sensorimotora que ocorrem nas primeiras fases da vida humana. Na modelação de um sistema, a sua natureza estrutural não é frequentemente contabilizada, já que nem sempre tem uma representação fácil, mas constitui uma vantagem valiosa na compreensão da sua cinemática e na previsão de dinâmicas futuras. Esta questão foi abordada com as Redes Neuronais em Grafo (RNGs), que tiram partido da composicionalidade do sistema e da permutabilidade na ordem dos elementos para combinar redes neuronais artificiais com representações baseadas em grafos. Para encontrar uma estratégia de modelação de sistemas robóticos não-rígidos e inspirados pela aprendizagem sensorimotora e pelo recente trabalho em RNGs, propomos um mecanismo de auto-calibração que aprende o modelo dinâmico, relacional e condicionado-por-ações, da cadeia cinemática não-rígida de uma garra robótica flexível. Denominamos o nosso modelo como 'Grafo Sensorimotor' e comparamos este modelo com modelos-de-base para avaliar o seu desempenho e robustez em condições crescentemente adversas. Mostramos que a nossa solução supera os modelos-de-base estudados em cenários básicos e não é significativamente afetada por variações configuracionais, erros de seguimento ou falhas pontuais, estendendo o estado-da-arte em direções fundamentais para aperfeiçoar a modelação e atuação da robótica soft., en=Soft robotics is a thriving branch of robotics which takes inspiration from nature and uses affordable flexible materials to design adaptable non-rigid robots. However, their flexible behaviour makes these robots hard to model, which is essential for a precise actuation and for optimal control. The problem of modelling a robotic soft hand is analogous to the processes of sensorimotor self-discovery and limb control that occurs in early stages of human life. Moreover, when trying to model a system, its structured nature is not often accounted for, as there is not always an easy representation. Nonetheless, learning a system’s connectivity is a valuable asset to understanding its kinematics and even predicting future dynamics. This issue has been addressed with Graph Neural Networks, which take advantage of system compositionality and order-invariance to combine artificial neural networks with graph-based representations. With the goal of finding a modelling strategy for soft systems in robotics, and inspired by sensorimotor learning and recent work on Graph Neural Networks, we propose a self-calibration mechanism that learns the action-conditioned relational forward model of the non-rigid kinematic chain of a robotic soft gripper. We denote our model as the "Sensorimotor Graph" and we benchmark it against non-structured baselines to asses the model performance and robustness to increasingly adverse conditions.We demonstrate that our model outperforms the studied baselines in basic scenarios while not being significantly affected by configurational variations, tracking errors or node failures, extending the state-of-the-art in directions that are key to perfecting soft robotics modelling and actuation.}
{pt=Robótica Mole, Modelo Dinâmico Relacional, Redes Neuronais em Grafo, Aprendizagem Sensorimotora, en=Soft Robotics, Relational Forward Model, Graph Neural Networks, Sensorimotor Learning}

Fevereiro 12, 2021, 9:0

Orientação

ORIENTADOR

José Alberto Rosado dos Santos Victor

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático