Implementation of a Framework for Imitation Learning on a Humanoid Robot Using a Cognitive Architecture Robots Humanoides Centro de Automática y Robótica

Implementation of a Framework for Imitation Learning on a Humanoid Robot Using a Cognitive Architecture

Robots Humanoides

Centro de Automática y Robótica CSIC-UPMUniversidad Politécnica de Madrid

William CORAL Marco Montagni


Implementation of a Framework for Imitation Learning on a Humanoid Robot Using a

Cognitive Architecture

1. Introducción2. Diseño del sistema 2.1 Aprendiendo desde la demostración 2.2 Segmentación 2.3 Reconocimiento 2.4 Generación por imitación3. Resultados Experimentales4. Discusión y trabajos futuros5. Conclusiones



Cognición: hace referencia a la facultad de los animales (incluidos los humanos) de procesar información a partir de la percepción, el conocimiento adquirido (experiencia) y características subjetivas que permiten valorar la información.

Investigación en Inteligencia Artificial: La investigación en IA se basa en diseñar y probar algoritmos en un ordenador basado en sistemas artificiales.

Ciencia Cognitiva: se basa en las pruebas y los experimentos en animales y humanos para obtener la comprensión y el conocimiento de la cognición

Provee fundamentos teóricos y soluciones a los problemas en IA

Mejora la investigación y provee posibles direcciones de investigación para la ciencia cognitiva.

3



Robótica Cognitiva:Generar comportamientos e inteligencias parecidas a las humanas

Integra

Percepción, Acción, Aprendizaje, Toma de

Decisiones y comunicación

Limitación

Mecanismos, Computación,

Arquitectura, etc.

Por lo Tanto

en el otro lado, los investigadores todavía no obtienen una arquitectura

general para generar comportamientos

complejos en robots

4



Se Crean

Robots Humanoides

Mecanismos Parecidos a Los Humanos

Gradualmente Se seleccionan como plataforma para

experimentalmente (visualmente), experimentar el diseño conceptual de robótica

cognitiva

5



Aprendizaje por imitación Profesor Humano, muestra secuencia de

tarea

Secuencia de tarea se aprende usando sensores

Robot genera el mismo comportamiento en iguales pero diferentes situaciones

para resolver tareas

Algoritmos

Tratar de entrenar los robots para extraer y aprender la dinámica del movimiento

los robots aprenden comportamientos de alto nivel y acciones primitivas

por imitación

6



ISAC

Demostración Bien Mal

Logra el objetivo global,

pero los objetivos locales no los logra

Solución:SEGMENTACION

7



Segmentación

En primer lugar, el comportamiento basado en el método de control cognitivo provee un

método robusto para manipular el objeto y completar una tarea a través del aprendizaje,

los métodos basados en comportamiento puede entrenar robots para comprender la

situación y la información de las tareas relacionadas

en segundo lugar, la segmentación permite un enfoque más sólido para los robots para

manejar las tareas completadas.

Métodos usados para segmentación:Fuzzy methods, Hidden Markov Model- Detectar los puntos que cambian

en una trayectoria.- Segmentación basada en el flujo

óptico del medioambiente (Kulic y Nakamura)

En este trabajo se propone un método de segmentación cognitiva

Arquitecturas Cognitivas

Simbólico Conexionista

Reactivo Hibrido Arquitectura Cognitiva ISAC8



Arquitectura Cognitiva ISAC

Componentes de Memoria

WMS: Memoria de Trabajo del Sistema

STM: Memoria sensorial de corto plazo

LTM: Memoria de Largo Plazo

9



1. Demostración2. Segmentación3. Reconocimiento

10



El PA mide el movimiento del brazo derecho usando los encoder dispuestos en el brazo

Se graban los movimientos del caballo usando la cámara montada sobre la cabeza de ISAC

La información es censada y guardada en STM como una matriz de datos

11


1. Introducción2. Diseño del sistema 2.1 Aprendiendo desde la demostración 2.2 Segmentación 2.3 Reconocimiento 2.4 Generación por imitación3. Resultados Experimentales4. Discusión y trabajos futuros5. Conclusiones El CEA obtiene el método de

segmentación de la LTM y los segmentos de la información

detectada en el STM

Se define el cambio en el mundo de estados, como el cambio del estado del

caballo del reposo al movimiento

12



El CEA obtiene el criterio de reconocimiento de la STM y reconoce el comportamiento en la

secuencia de comportamiento segmentado

Comportamiento

Comportamiento ComúnSignifica que el parámetro puede ser modificado de acuerdo a los

limites de tareas diferentes

Comportamiento especialSignifica que los parámetros permanecen los mismos en

diferentes las limites de tareas.

13


El robot obtiene la información del entorno de PA:agente de percepción y los envía a la STM: la memoria a corto plazo sensorial. El CEA: agente

central ejecutivo, se analiza la información de la memoria a corto plazo y los envía a la (GA) Agente de Objetivos para generar el objetivo de la

tarea. El CEA obtenido por el método de generación MLP: la memoria a largo plazo. En la secuencia de comportamientos, tienen un

comportamiento dinámico similar a la recibida por el robot. Genera la secuencia de comportamientos que son enviados a la GA. Luego son

enviados a los actuadores para completar la tarea en diferentes situaciones. En los modelos de comportamiento, una LWPR clásico se

utiliza para el modelo de la trayectoria. 10 modelos son elegidos por la trayectoria con diferentes parámetros específicos. 14


Algoritmo original

g: Los objetivosz: Estados internosf: (modelo LWPR) Se calcula mediante el registro de la dinámica de las accionesy: Es la posición estimada mediante ecuaciones diferencialesy: es la generación de la velocidad correspondiente :son constantes

.

15


Los escenarios propuestos

El primer escenario consiste en el movimiento manual del brazo para agarrar el ISAC caballero.En los registros de los movimientos de la segunda ISAC utilizando un codificador y un cuarto en la cabeza.En el ISAC tercera genera comportamientosdiferentes para completar la misión en una situación similar, pero diferente.


1 2

Utilizando el método cognitivo propuesto, en la figura se registraron los segmentos de las secuencias de

comportamiento:1 común, 2 especial.


Registro y manejo de rutas

La primera, segunda y tercera columna, es la trayectoria de demostración de comportamientos en 1 1. La cuarta columna es la trayectoria de comportamiento procesado 1 el

cual será utilizado para la generación de comportamiento futuro.

Generación X Y Z coordenadas

Figura de la izquierda: el conocimiento almacenado de comportamiento 1. Muestra el comportamiento generado por ISAC Cuando se le pide alcanzar, agarrar y mover el caballo en el tablero, las coordenadas (450, 215, -530). A la derecha de la generación de las coordenadas "X,

Y, Z" del nuevo comportamiento 1.Entender el comportamiento se añade entre 1 y 2 basado en el comportamiento supuesto en la

sección 2.2

Discusión y trabajos futurosEl propósito de este artículo es demostrar la eficacia de la segmentación de la secuencia del comportamiento cognitivo, a pesar que ISAC no siempre puede tomar el peón.El objetivo a largo plazo es crear un generador de comportamiento robusto que le permita tener una interfaz dinámica humano-robot más seguro e intuitivo de aprendizaje y de adaptación a diferentes situaciones y casos.la transferencia de conocimiento se divide en 2 partes: demostración y observación. Se supone que la transferencia de conocimientos a otro robot. ISAC muestra las secuencias de comportamiento similares a los del ser humano. Motoman comparación con ISAC debe anallizzare la grabación de la habitación y convertir los datos en el espacio de circulación, que es una matriz 4x4 que registra los movimientos del brazo de ISAC en tiempo real. Otra matriz de 4x4 registra las posiciones del caballo en el tablero de ajedrez.Un trabajo futuro consistirá en aplicar nuevas conductas en situaciones similares.el problema existente se relaciona con la estructura cognitiva que se basa en el sistema de visualización que no es muy estable y es a menudo afectada por los problemas del medio ambiente.En el futuro será esta característica la que debe ser mejorado y aplicada. Otra posibilidad para el desarrollo futuro, podría ser el diseño de un método probabilístico de aprendizaje por imitación en la que se pueden tomar decisiones de forma independiente. Usted puede obtener un proceso cognitivo a través de los errores dinámicos de aprendizaje y éxitos, y en el futuro con estos supuestos, es posible que los robots puedan vivir en simbiosis con los seres humanos.

Conclusiones

En este artículo se propone una estructura e implementación cognitiva del algoritmo, DMP con el fin de ajustar la generación de un comportamiento similar en las diferentes situaciones mediante el método de imitación.Los datos obtenidos confirman que es un buen método.Este artículo muestra a continuación una posible solución, para poder aplicar en diferentes arquitecturas cognitivas, para la generación de futuros comportamientos cognitivos.

Gracias a todos

Documents

Implementation of a Framework for Imitation Learning on a Humanoid Robot Using a Cognitive Architecture Robots Humanoides Centro de Automática y Robótica