کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4948704 1439849 2017 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Learning adaptive dressing assistance from human demonstration
ترجمه فارسی عنوان
یادگیری تطبیق پذیری از تظاهرات انسانی
کلمات کلیدی
یادگیری از تظاهرات، رباتیک کمک کننده، کنترل بهینه، تعامل انسان و روبات،
ترجمه چکیده
برای انجام وظایف مانند کمک پوشیدن، روبات ها باید بتوانند به مورفولوژی، ترجیحات و الزامات کاربر متفاوت باشند. ما برنامه نویسی را با روش تظاهرات پیشنهاد می کنیم تا مهارت های لازم را یاد بگیریم و سازگار کنیم. روش ما اطلاعات حساسیتی (نسبت به کاربر انسانی) و دستورات موتور (نسبت به اعمال ربات) را به عنوان توزیع مشترک در یک مدل نیمه مارکوف پنهان می کند. پارامترهای این مدل از مجموعه ای از تظاهرات های انجام شده توسط انسان یاد می شود. هر حالت این مدل یک الگوی حسگر حرکتی است که توالی آن می تواند رفتارهای پیچیده ای را ایجاد کند. این روش، در حالی که سبک و ساده باقی می ماند، رفتارهای وابسته به زمان و مستقل را رمزگذاری می کند. این ترتیب اولویت های حرکت را مطابق با وضعیت فعلی و رفتار کاربر فعال می کند. این رویکرد همراه با یک مدل پارامترهای کاری است که اجازه می دهد انطباق با مورفولوژی های مختلف کاربران و با یک کنترل کننده مداخله کم، ارائه تعامل امن با کاربر. ما رویکرد را از طریق چندین وظیفه شبیه سازی شده و دو سناریو مختلف لباس پوشیدن با یک روبات باکستر دو طرفه ارزیابی می کنیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یادگیری تطبیق پذیری از تظاهرات انسانی
چکیده انگلیسی
For tasks such as dressing assistance, robots should be able to adapt to different user morphologies, preferences and requirements. We propose a programming by demonstration method to efficiently learn and adapt such skills. Our method encodes sensory information (relative to the human user) and motor commands (relative to the robot actuation) as a joint distribution in a hidden semi-Markov model. The parameters of this model are learned from a set of demonstrations performed by a human. Each state of this model represents a sensorimotor pattern, whose sequencing can produce complex behaviors. This method, while remaining lightweight and simple, encodes both time-dependent and independent behaviors. It enables the sequencing of movement primitives in accordance to the current situation and user behavior. The approach is coupled with a task-parametrized model, allowing adaptation to different users' morphologies, and with a minimal intervention controller, providing safe interaction with the user. We evaluate the approach through several simulated tasks and two different dressing scenarios with a bi-manual Baxter robot.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Robotics and Autonomous Systems - Volume 93, July 2017, Pages 61-75
نویسندگان
, ,