Resumen

Muchas habilidades de manipulación humana son relevantes para la fuerza, como abrir una tapa de botella y ensamblar muebles. Sin embargo, sigue siendo una tarea difícil dotar a un robot de estas habilidades, lo cual se debe en gran medida a la complejidad de la representación y planificación de estas habilidades. Este artículo presenta un enfoque basado en el aprendizaje para transferir habilidades relevantes para la fuerza de la demostración humana a un robot. Primero, la habilidad relevante para la fuerza se encapsula como un modelo estadístico donde los parámetros clave se aprenden a partir de los datos demostrados (movimiento, fuerza). Segundo, basado en el modelo de habilidad aprendido, se diseña un planificador de tareas que especifica el movimiento y/o el perfil de fuerza para una tarea de manipulación dada. Finalmente, el modelo de habilidad aprendido se integra aún más con un controlador adaptativo que ofrece adaptación de fuerza consistente con la tarea durante las ejecuciones en línea. La efectividad del enfoque propuesto se valida con dos experiment

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Habilidades; Relevante para la fuerza; Robot; Enfoque basado en el aprendizaje; Demostración; Manipulación;
• Keywords:Skills; Force-relevant; Robot; Learning-based approach; Demonstration; Manipulation;