Riassunto analitico
In questo lavoro di tesi, è stato sviluppato un sistema di Apprendimento per Dimostrazione provandone l'efficacia nell'esecuzione di un compito di assemblaggio. Due robot simili vengono usati. Uno come Master, l'altro come Slave. L'utente, muovendo manualmente il Master, comanda lo Slave così da eseguire il compito un numero di volte deciso dall'utente. Lo Slave registra posizione, velocità e momento torcente di ogni giunto. Dopodiché, tramite Modelli di Mistura Gaussiana, i dati vengono racchiusi in cluster. Utilizzando quest'ultimi, tramite Regressione di Mistura Gaussiana, si estraggono la media e il range ove questi dati possono giacere. Range e media vengono usati per inizializzare l'algoritmo di ottimizzazione Stochastic Trajectory Optimization for Motion Planning, che ottimizza l'esecuzione del compito in accordo con i limiti del robot e dell'ambiente stesso rappresentati con la formulazione di una funzione costo.
|
Abstract
In the context of assembling tasks, a system for the Learning by Demonstration (LbD) is developed.
The LbD allows to everyone - even those who have no coding skills at all - to program a robot. It is addressed to a robotic system, composed of two arms of two degrees of freedom, the task of inserting a block into another one. The robot can be schematized as a bidimensional system which ignores the gravity force.
Two similar robots are used, one as Master and the other one as Slave. Together they form a teleoperation system where they influence each other in terms of positions, velocities and torques. The user, commanding kinematically the Master, moves the Slave so to execute the task mentioned previously for a number of times decided by the user. The Slave collects positions, velocities and torques data along the time for each joint. After that, through Gaussian Mixture Models, the data are clustered. Using these clusters, the Gaussian Mixture Regression algorithm is used to regress an expected average and a range where these data can lie. This average and range are used to initialize the Stochastic Trajectory Optimization for Motion Planning algorithm, which optimizes the execution of the task according to the limit of the motor and the environment itself. To model these constraints, a cost function is modelled.
|
