Programación por demostración de la secuencia de apretar una tuerca admitiendo variaciones en posición de la llave
Resumen
Se presenta una técnica que permite la programación por demostración de un robot para que ejecute una tarea secuencial o compleja. Se utiliza una combinación de redes de Petri y modelos de mezcla de gaussianas parametrizado en la tarea; con la primera se coordina la secuencia de la tarea, en tanto que la segunda permite variaciones en la posición y orientación de los objetos de la misma. Una técnica de segmentación de tareas, descompone la demostración en subtareas. Con la secuencia de las subtareas, se obtiene una lista de acciones (plan) y con este se genera de manera automática una red de Petri. A la técnica también se le suministran las plantillas modelo de cada subtarea y los modelos de mezcla de gaussianas parametrizados en la tarea de las trayectorias de la subtarea que se quiere que admita variaciones. Una función compara las trayectorias de cada plantilla con las trayectorias repuesta del modelo, y la de mayor similitud indica que en vez de la plantilla, se debe emplear el modelo de mezcla parametrizado. Mediante el uso de un robot de fabricación propia, el cual ejecuta la tarea de tomar, transportar una llave y apretar una tuerca, se ilustra el desempeño de la técnica a través de gráficas.Referencias bibliográficas
B. Aude, S. Calinon, R. Dillmann, and S. Schaal, “Robot Programming by Demonstration,” in Springer: Handbook of Robotics, B. Siciliano and O. Kathib, Eds. Springer, 2008, pp. 1371–1394.
A. Ude, A. Gams, T. Asfour, and J. Morimoto, “Task-Specific Generalization of Discrete and Periodic Dynamic Movement Primitives,” IEEE Trans. Robot., vol. 26, no. 5, pp. 800–815, Oct. 2010.
Sylvain Calinon, Z. Li, T. Alizadeh, Nikos G. Tsagarakis, and D. Caldwell, “Statistical dynamical systems for skills acquisition in humanoids,” in 8th IEEE-RAS International Conference on Humanoid Robots, 2012.
S. Niekum, S. Osentoski, G. Konidaris, and A. G. Barto, “Learning and generalization of complex tasks from unstructured demonstrations,” in 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems, 2012, pp. 5239–5246.
V. Kruger, D. Herzog, S. Baby, A. Ude, and D. Kragic, “Learning Actions from Observations,” IEEE Robot. Autom. Mag., vol. 17, no. 2, pp. 30–43, Jun. 2010.
Xiaobu Yuan, “An interactive approach of assembly planning,” IEEE Trans. Syst. Man, Cybern. - Part A Syst. Humans, vol. 32, no. 4, pp. 522–526, Jul. 2002.
J. Aleotti, S. Caselli, and M. Reggiani, “Toward programming of assembly tasks by demonstration in virtual environments,” in The 12th IEEE International Workshop on Robot and Human Interactive Communication, 2003. Proceedings. ROMAN 2003., 2003, pp. 309–314.
N. Dantam, I. Essa, and M. Stilman, “Linguistic transfer of human assembly tasks to robots,” in 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems, 2012, pp. 237–242.
D. Martinez, G. Alenya, P. Jimenez, C. Torras, J. Rossmann, N. Wantia, E. E. Aksoy, S. Haller, and J. Piater, “Active learning of manipulation sequences,” in 2014 IEEE International Conference on Robotics and Automation (ICRA), 2014, pp. 5671–5678.
G. Chang and D. Kulic, “Robot task error recovery using Petri nets learned from demonstration,” in 2013 16th International Conference on Advanced Robotics (ICAR), 2013, pp. 1–6.
S. Niekum, S. Chitta, B. Marthi, S. Osentoski, and A. G. Barto, “Incremental Semantically Grounded Learning from Demonstration,” in Robotics: Science and Systems, 2013.
R. Zollner, O. Rogalla, M. Enrenmann, and R. Dillmann, “Mapping Complex Tasks to Robots: Programming by Demonstration in Real-World Environments,” Adv. Human-Robot Interact., vol. 14, pp. 119–136, 2005.
N. Abdo, H. Kretzschmar, L. Spinello, and C. Stachniss, “Learning manipulation actions from a few demonstrations,” in 2013 IEEE International Conference on Robotics and Automation, 2013, pp. 1268–1275.
R. Cubek, W. Ertel, and G. Palm, “High-level learning from demonstration with conceptual spaces and subspace clustering,” in 2015 IEEE International Conference on Robotics and Automation (ICRA), 2015, pp. 2592–2597.
T. Murata, “Petri nets: Properties, analysis and applications,” Proc. IEEE, vol. 77, no. 4, pp. 541–580, Apr. 1989.
M. Silva, Las Redes de Petri: en la Automática y la Informática. AC, 1985.
J. Hoyos-Gutiérrez, C. Peña-Solórzano, C. Garzón-Castro, and F. Prieto-Ortiz, “Hacia el Manejo de una herramienta por un robot NAO usando programación por demostración,” Tecno Lógicas, vol. 17, no. 33, pp. 65–76, 2014.
J. Hoyos, F. Prieto, C. Pena, E. Morales, and M. Perez-Cisneros, “Reaching New Positions Using an Extreme Learning Machine in Programming by Demonstration,” in 2013 Latin American Robotics Symposium and Competition, 2013, pp. 100–105.
M. Quigley, K. Conley, B. P. Gerkey, J. Faust, T. Foote, J. Leibs, R. Wheeler, and A. Y. Ng, “ROS: an open-source Robot Operating System,” in ICRA Workshop on Open Source Software, 2009.
S. Calinon, T. Alizadeh, and D. G. Caldwell, “On improving the extrapolation capability of task-parameterized movement models,” in 2013 IEEE/RSJ International Conference on Intelligent Robots and Systems, 2013, pp. 610–616.
