Knowledge-based reasoning from human grasp demonstrations for robot grasp synthesis

انسان در هنگام برخورد با وظایف دستکاری روزمره، توانایی یادگیری مهارت های جدید و انطباق با محیط های پیچیده پیچیده را برتری می دهد. این نتیجه از یادگیری مادام العمر و همچنین مشاهده سایر افراد ماهر است. برای دستیابی به مهارت های مشابه با دست های روباتیک، برای حل و فصل عدم اطمینان، ظرفیت شناختی مورد نیاز است. با استخراج اطلاعات مربوط به چند سنسور از محیط (اشیاء)، دانش از قبول وظایف قبلی می تواند تعمیم داده شود که در زمینه های مختلف استفاده شود. بر اساس این استراتژی، در این مقاله نشان داده شده است که یادگیری از تجربیات انسانی راهی برای رسیدن به هدف ما از سنتز درک روبات برای اشیاء ناشناخته است. در این مقاله، ما به یک سیستم مصنوعی که بر دانش از تظاهرات قبیله ای انسانی پیشین مبتنی است متکی است. یک فرآیند یادگیری برای تعیین توزیع احتمالاتی و عدم اطمینان به کار رفته است. این توزیع ها با دانش اولیه به منظور نتیجه گیری از درک مناسب با توجه به ابر نقطه یک شی ناشناخته ترکیب می شوند. در این مقاله، ما یک روش متشکل از یک فرآیند دوگانه را ارائه دادیم: تجزیه شئ و سنتز درک. تجزیه اشیاء به ابتدایی ها مورد استفاده قرار می گیرد، که در آن شباهت بین مشاهدات گذشته و اشیاء ناشناخته جدید می تواند ساخته شود. چسب ها با ابتدای شیء تعریف شده مرتبط هستند، به طوری که مناطق شیء امکان پذیر می توانند تعیین شوند. دست مطرح شده نسبت به جسم برای پیش گرفتن و محاسبه انتخاب شده محاسبه شده است. ما رویکرد ما را در یک پلت فرم روباتیک واقعی، یک دست رباتیک لجباز، معتبر کرده ایم. نتایج نشان می دهد که تقسیم بندی شی به ابتدایی ها امکان شناسایی مناسب ترین مناطق را برای درک بر اساس یادگیری قبلی فراهم می کند. رویکرد پیشنهادی، چشمانداز مناسب را بهتر از روشهای تحلیلی و هندسی بیشتر وقت میگیرد و کمک میکند تا بتواند خود را درک کند.