Learning temporal sensorimotor distributions of complex robotic manipulation skills with conditional neural processes
Koşullu sinir süreçleri ile kompleks robotik yönetim becerilerinin zamansal sensor-motor dağılımlarının öğrenilmesi
- Tez No: 652190
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRE UĞUR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Bu tez, derin bir sinir mimarisi olan Koşullu Nöral Süreçler (CNP'ler) üzerine inşa edilmiş bir robotik hareket öğrenme ve üretim sistemi olan Koşullu Nöral Hareket İlkelleri (CNMP) adında yeni bir öğrenim çerçevesi sunmaktadır. CNMP'ler, ön bilgileri, gözlemleri örnekleyerek doğrudan eğitim verilerinden çıkarır ve diğer hedef noktalara göre koşullu bir dağılımı tahmin etmek için kullanır. CNMP'ler spesifik olarak harici parametreler ve hedeflerle karmaşık zamansal çok modlu sensörimotor ilişkilerini öğrenir; eklem veya görev alanında hareket yörüngeleri üretir; ve bu yörüngeleri üst düzey bir geri besleme kontrol döngüsü ile hayata geçirir. Simülasyonlar ve gerçek robot deneyleri sayesinde, CNMP'lerin düşük boyutlu parametre uzayları ve karmaşık hareket yörüngeleri arasındaki doğrusal olmayan ilişkileri birkaç gösteriden öğrenebildikleri; ve ayrıca çok sayıda gösterim kullanarak yüksek boyutlu sensörimotor uzaylar ve karmaşık hareketler arasındaki ilişkileri modelleyebildikleri gözlenmiştir. Deneyler ayrıca görev parametrelerinin bile açıkça sağlanmadığı zaman, robotun öğrenilen sensorimotor temsillerini hareket yörüngeleriyle ilişkilendirerek öğrenebileceğini göstermiştir. Örneğin deneylerden birinde robot, propriyosepsiyonu ve kuvvet ölçümlerini içeren sensorimotor alanından yararlanarak nesne ağırlıklarının ve şekillerinin harekete etkisini öğrendi ve bu faktörlerden biri harici müdahale ile değiştirildiğinde hareket yörüngesini anında değiştirmeyi başarmıştır.
Özet (Çeviri)
This thesis proposes a new framework, namely Conditional Neural Movement Primitives (CNMPs) that is learning from demonstration framework designed as a robotic movement learning and generation system built on top of a recent deep neural architecture, Conditional Neural Processes (CNPs). CNMPs extract the prior knowledge directly from the training data by sampling observations from it, and uses it to predict a conditional distribution over any other target points. CNMPs specifically learns complex temporal multi-modal sensorimotor relations with external parameters and goals; produces movement trajectories in joint or task space; and executes these trajectories through a high-level feedback control loop. Through simulations and real robot experiments, we showed that CNMPs can learn the non-linear relations between low-dimensional parameter spaces and complex movement trajectories from few demonstrations; and they can also model the associations between high-dimensional sensorimotor spaces and complex motions using large number of demonstrations. The experiments further showed that even the task parameters were not explicitly provided, the robot could learn their influence by associating the learned sensorimotor representations with the movement trajectories. The robot, for example, learned the influence of object weights and shapes through exploiting its sensorimotor space that includes proprioception and force measurements; and be able to change the movement trajectory on the fly when one of these factors were changed through external intervention.
Benzer Tezler
- Efficient learning of sensorimotor data
Sensorimotor verilerinin verimli öğrenilmesi
MEHMET PEKMEZCİ
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERHAN ÖZTOP
- El hareketlerinin gerçekleştirilmesi ve gözlemlenmesi esnasında kaydedilen EEG sinyallerinden derin öğrenme temelli sınıflandırma ile ayna nöron aktivitesinin değerlendirilmesi
Deep learning based classification of EEG signals recorded during execution and observation of hand movements to evaluate the mirror neuron activity
HÜSEYİN AKBULUT
Yüksek Lisans
Türkçe
2020
Bilim ve TeknolojiMarmara ÜniversitesiBeden Eğitimi ve Spor Ana Bilim Dalı
DOÇ. DR. ADİL DENİZ DURU
- Motor kontrol ve öğrenmeye ilişkin nöral yapıların modellenmesi ve donanım üzerinde bir gerçekleme
Modeling neural structures related to motor control and learning and an implementation on hardware
SERHAT ÇAĞDAŞ
Doktora
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. NESLİHAN SERAP ŞENGÖR
- Sembolik planlama için uzam-zamansal çıkarsamayla nesne modellerinin ve etkileşimlerinin öğrenilmesi
Learning object models and interactions through spatio-temporal reasoning for symbolic planning
MUSTAFA ERSEN
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
YRD. DOÇ. DR. SANEM SARIEL-TALAY
- Learning to control an inverted pendulum using neural networks
Bir ters sarkan kontrolünün yapay sinir ağlarıyla öğrenilmesi
İBRAHİM ÖZTÜRK
Yüksek Lisans
İngilizce
1995
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiPROF.DR. EROL KOCAOĞLAN