Till innehåll på sidan

Learning Behavior Trees for Collaborative Robotics

Tid: Må 2023-06-12 kl 10.00

Plats: Kollegiesalen, Brinellvägen 8, Stockholm

Videolänk: https://kth-se.zoom.us/j/64592198901

Språk: Engelska

Ämnesområde: Datalogi

Respondent: Matteo Iovino , Robotik, perception och lärande, RPL

Opponent: Karinne Ramírez-Amaro, Chalmers Tekniska Högskola, Göteborg, Sverige

Handledare: Christian Smith, Robotik, perception och lärande, RPL

Exportera till kalender

QC 20230523

Abstract

Den här avhandlingen syftar till att ta itu med utmaningen att generera uppgiftsplaner för robotar i industriella scenarier. Med ökningen av småskalig produktion kräver företag att robotar omprogrammeras frekvent för nya uppgifter. Att upprätthålla en grupp operatörer med specifika programmeringsfärdigheter är dock endast kostnadseffektivt för storskalig produktion. Ökningen av automation riktar sig till företag där människor delar sin arbetsmiljö med robotar och utökar omfattningen av tillverkningsapplikationer. För att uppnå detta måste robotar styras av uppgiftsplaner som sekvenserar och optimerar utförandet av åtgärder. Denna avhandling fokuserar på att generera uppgiftsplaner som är reaktiva, transparenta och förklarbara, modulära och automatiskt syntetiserade. Dessa uppgiftsplaner förbättrar robotens autonomi, feltolerans och robusthet. Dessutom underlättar sådana uppgiftsplaner samarbetet med människor genom att möjliggöra intuitiva representationer av planen och möjligheten för människor att ge instruktioner vid körningstid för att ändra robotens beteende. Slutligen minskar autonom generering programmeringsfärdigheterna som krävs för att operatören ska kunna programmera en robot och optimerar uppgiftsplanen. Denna avhandling diskuterar användningen av beteendeträd (BTs) som policyrepresentationer för robotiska uppgiftsplaner. Den jämför moduleringen av BT och deterministiska tillståndsmaskiner (FSMs) och drar slutsatsen att BTs är mer effektiva för industriella scenarier. Denna avhandling utforskar också den automatiska och intuitiva generationen av BTs med hjälp av genetisk programmering och lärande från demonstrationsmetoder, respektive. De föreslagna metoderna syftar till att tidsmässigt utveckla BTs för mobila manipulationuppgifter och tillåta icke-experter att intuitivt lära robotar manipulationsuppgifter. Denna avhandling belyser vikten av användarupplevelsen i uppgiftslösning och hur den kan gynna evolutionära algoritmer. Slutligen föreslår den användningen av tidigare inlärda BTs från demonstration för att ingripa i den oövervakade inlärningsprocessen.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-327210