FenixEdu™

Dissertação

{en_GB=Active Robot Learning for Efficient Body Schema Online Adaptation} {} EVALUATED

Detalhes: {pt=Os robôs humanóides possuem corpos complexos e cadeias cinemáticas com vários graus de liberdade que são difíceis de modelar. É possível aprender os parâmetros de um modelo cinemático ao observar a pose dos corpos rígidos da cadeia durante movimentos prospetivos e minimizando os erros de predição. Esta tese propõe um método para estimar a estrutura de um braço robótico humanóide, na forma de parâmetros de Denavit-Hartenberg, de forma eficiente (que permita reduzir o consumo de energia e o desgaste mecânico). É usada uma abordagem de aprendizagem ativa, baseada no critério A-Optimality, que considera a eficiência de movimentos ao selecionar ângulos ótimos para as articulações. Estes ângulos são informativos para a estimação e minimizam o movimento efetuado durante o processo de calibração, simultaneamente. A implementação foi feita em ambiente de simulação, utilizando o braço robótico com 7 graus de liberdade do iCub Simulator. A pose da mão é medida com uma única câmera usando marcadores ArUco, colocados na palma e nas costas da mão. É proposto um modelo de ruído pose-dependent, para reduzir o impacto do ruído de medição não uniforme, e um modelo de oclusão não paramétrico, para evitar a escolha de configurações do braço em que os marcadores não estão visíveis e reduzir o número de tentativas de amostragem falhadas. Os resultados mostram que a abordagem de aprendizagem ativa com consideração pela eficiência dos movimentos tem um desempenho semelhante a uma abordagem de aprendizagem ativa convencional e reduz significativamente o movimento efetuado durante a calibração., en=Humanoid robots have complex bodies and kinematic chains with several Degrees-of-Freedom (DoF) which are difficult to model. Learning the parameters of a kinematic model can be achieved by observing the pose of the robot links during prospective motions and minimising the prediction errors. This thesis proposes a movement efficient approach for estimating online the body-schema of a humanoid robot arm in the form of Denavit-Hartenberg (DH) parameters. A cost-sensitive active learning approach based on the A-Optimality criterion is used to select optimal joint configurations. The chosen joint configurations simultaneously minimise the error in the estimation of the body schema and minimise the movement between samples. This reduces energy consumption, along with mechanical fatigue and wear, while not compromising the learning accuracy. The work was implemented in a simulation environment, using the 7 DoF arm of the iCub robot simulator. The hand pose is measured with a single camera via markers placed in the palm and back of the robot’s hand. It is proposed a pose dependent noise model to reduce the impact of non-uniform measurement noise in the system and a non-parametric occlusion model is proposed to avoid choosing joint configurations where the markers are not visible, thus preventing worthless attempts. The results show cost-sensitive active learning has similar accuracy to the standard active learning approach, while reducing in about half the executed movement.}
Keywords: {pt=aprendizagem ativa cost-sensitive, body-schema, calibração, humanóide, robótica, en=cost-sensitive active learning, body-schema, calibration, humanoid, robotics}

Discussão: janeiro 25, 2021, 14:30