Dissertação

{en_GB=Robot grasping in 3D through efficient haptic exploration with unscented Bayesian optimization and collision penalty} {} EVALUATED

{pt=O agarre robusto de objectos é ainda um problema por resolver na robótica. Informação global 3D acerca do objecto pode ser obtida através de informação já conhecida (e.g., modelos precisos de objectos conhecidos ou modelos aproximados de objectos que nos são familiares) ou sensores em tempo-real (e.g., nuvens de pontos parciais de objectos desconhecidos) e pode ser usada para identificar potenciais bons agarres. Contudo, devido a imprecisões de modelação e limitações sensoriais, a exploração local é normalmente necessária para complementar os tais agarres e aplicá-los a objectos no mundo real. Nomeadamente, a técnica de optimização Bayesiana "unscented", recentemente proposta, é capaz de tornar essa exploração mais segura por favorecer a escolha de agarres que são robustos à incerteza no espaço de entrada (e.g.,imprecisões na execução do agarre). Ao encontrar um agarre robusto estamos a garantir que um pequeno erro na posição do agarre não irá provocar um decréscimo dramático de qualidade. Extendendo o trabalho prévio feito para a optimização em 2D, nesta dissertação propomos uma estratégia de exploração táctil 3D que combina optimização unscented Bayesiana com uma nova heurística. Esta penaliza colisões inesperadas entre a mão e objecto durante a exploração, para encontrar agarres mais seguros em 3D de forma muito eficiente. Ao expandir o espaço de exploração de 2D para 3D somos capazes de encontrar melhores agarres e a introdução da penalização de colisões permite fazê-lo sem ter de aumentar o número de explorações, portanto ajudando a combater o desafio do aumento dimensional., en=Robust grasping of arbitrary objects is a major, and still unsolved problem in robotics. Global 3D information about the object can be obtained from previous knowledge (e.g., accurate models of known objects or approximate models of familiar objects) or real-time sensing (e.g., partial point clouds of unknown objects) and can be used to identify good potential grasps; however, due to modeling inaccuracies and sensing limitations, local exploration is often needed to refine such grasps and to successfully apply them to the objects in the real world. Notably, the recently proposed unscented Bayesian optimization technique can make such exploration safer by favoring the selection of grasps that are robust to uncertainty in the input space (e.g., inaccuracies in the execution of the grasp). By finding a safer grasp, we assure that a slight error in grasp position due to execution noise won't cause a dramatic decrease of the grasp quality. Extending the previous work done on 2D optimization, in this thesis we propose a 3D haptic exploration strategy that combines unscented Bayesian optimization with a novel collision penalty heuristic to find safe 3D grasps in a very efficient way. By expanding the search-space from 2D to 3D we are able to find better grasps and the introduction of the collision penalty heuristic allows to do so without having to increase the number of exploration steps, therefore battling the curse of dimensionality. }
{pt=Agarre robótico, Optimização Bayesiana, Exploração táctil, Penalização de colisão, Optimização Bayesiana "unscented", iCub, en=Robotic Grasp, Bayesian optimization, Haptic exploration, Collision Penalty, Unscented Bayesian Optimization, iCub}

Junho 8, 2018, 15:0

Orientação

ORIENTADOR

Alexandre José Malheiro Bernardino

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado