Dissertação
{en_GB=Anticipation in Human-Robot Cooperation: A recurrent neural network approach for multiple action sequences prediction} {} EVALUATED
{pt=Cooperação humano-robô é um elemento chave para novos desenvolvimentos em aplicações avançadas de fabricação e de assistência. A cooperação pode ser estudada pela teoria de acção conjunta que define a cooperação como interacção de três factores: percepção do contexto e objetivo de acção, antecipar a acção e acção anticipativa. Esta tese, foca-se na anticipação da acção. Anticipar o movimento do outro é possível através de pistas não verbais. A cooperação próxima exige robôs que possam entender pistas humanas não-verbais. Embora o problema de prever a acção a partir de pistas não-verbais tenha sido abordado de diferentes ângulos, as soluções normalmente assumem suposições Markovianas limitantes, abordagens recentes baseadas em redes neuronais sem suposições Markovianas demonstraram resultados encorajadores no problema de predição da ação humana. Esta dissertação estende o estado da arte nesta direção. Mais especificamente, as contribuições abordam duas falhas da literatura existente: previsão de sequências de acção 1) múltiplas e 2) de comprimento variável, através da introdução de uma nova topologia da rede neural no problema da predição de acção. Demonstramos o treino do modelo num conjunto de dados de predição de ação e a influência dos parâmetros do modelo. O modelo antecipa com sucesso a ação humana e mitiga problemas de complexidade através de uma estratégia de prunning. Demonstramos teoricamente a importância de prever sequências de acção como meio de estimar a recompensa estocástica num cenário de cooperação, estendendo o estado da arte em direções que são fundamentais para a cooperação humano-robô envolvendo comunicação não-verbal., en=Close Human-robot cooperation is a key enabler for new developments in advanced manufacturing and assistive applications. This close cooperation can be studied through the joint-action framework. Joint action defines cooperation scenarios as the interplay between three factors: shared perception of the environment and action goals, action anticipation and anticipative action. This thesis looks at action anticipating. Anticipating actions is possible through a series of non-verbal cues humans communicate about their intent. Close cooperation require robots that can understand human non-verbal cues. While the problem of understanding and predicting action from non-verbal cues has been approached from different angles, they normally assume limiting Markovian assumptions, recent approaches based on recurrent neural networks without Markovian priors have led to encouraging results in the human action prediction problem both in continuous and discrete spaces. Our approach extends the research in this direction. More specifically, our contributions address two shortcomings of existing literature: 1) predicting multiple and 2) variable-length action sequences. This is achieved by introducing novel neural network topology in the action prediction problem. Here we show the ability to train the model on a action prediction dataset and explore the influence of the model’s parameters. The final model anticipates human action, mitigating complexity through a pruning strategy. We theoretically demonstrate the importance of predicting multiple action sequences as a means of estimating the stochastic reward in a human robot cooperation scenario extending the state of the art in directions that are key to enable human-robot cooperation involving non-verbal communication.}
novembro 24, 2017, 18:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
José Alberto Rosado dos Santos Victor
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Catedrático
