Resumen

El aprendizaje a partir de la demostración (LfD) permite a un robot emular el movimiento humano natural en lugar de limitarse a ejecutar comportamientos preprogramados. Este artículo presenta una estructura jerárquica de LfD de modelos parametrizados por tareas de movimiento de objetos, que son omnipresentes en la vida cotidiana y podrían beneficiarse del apoyo robótico. Nuestro enfoque utiliza el algoritmo del modelo de mezcla gaussiano parametrizado por tareas (TP-GMM) para codificar conjuntos de demostraciones en modelos separados que corresponden cada uno a una situación de tarea diferente. A continuación, el robot maximiza su rendimiento esperado en una nueva situación seleccionando un buen modelo existente o solicitando nuevas demostraciones. En comparación con una implementación estándar que codifica todas las demostraciones juntas para todas las situaciones de prueba, el enfoque propuesto ofrece cuatro ventajas. En primer lugar, se puede utilizar una función de distancia sencillamente definida para estimar el rendimiento de la prueba calculando la similitud entre una situación de prueba y los modelos existentes. En segundo lugar, el enfoque propuesto puede mejorar la generalización, por ejemplo, satisfaciendo mejor las restricciones de la tarea demostrada y acelerando la ejecución de la misma. En tercer lugar, como la estructura jerárquica codifica cada situación demostrada individualmente, se puede modelar una gama más amplia de situaciones de tareas en el mismo marco sin deteriorar el rendimiento. Por último, añadir o eliminar demostraciones supone una baja carga computacional, por lo que la biblioteca de habilidades del robot puede construirse de forma incremental. En primer lugar, se instala el enfoque propuesto en una tarea simulada para validar estas ventajas. A continuación, demostramos que las ventajas se trasladan al hardware real en una tarea en la que participantes ingenuos colaboraron con un robot Willow Garage PR2 para mover un objeto de mano. En la mayoría de los escenarios probados, nuestro método jerárquico logró un rendimiento de la tarea y unas valoraciones subjetivas significativamente mejores que un modelo pasivo con sólo compensación de la gravedad y un único TP-GMM que codifica todas las demostraciones.

• Materias:Ingeniería biomédica Bioingeniería Biomecánica Neuronas Prótesis Extremidades (Cuerpo Humano) Articulación ósea
• Subjects:Biomedical engineering Bioengineering Biomechanics Neurons Prostheses Limbs (Human Body) Bone joint
• Palabras claves:enfoque propuesto, demostración, situación de prueba, restricciones de la tarea demostrada, robot de garaje pr2, ventaja, estructura de la tarea, modelo de mezcla gaussiana, situación de la tarea diferente, estructura jerárquica lfd
• Keywords:proposed approach, demonstration, test situation, demonstrated task constraints, garage pr2 robot, advantage, structure of task, gaussian mixture model, different task situation, hierarchical lfd structure