Bayesian optimization strategies for human-in-the-loop systems: Theory and applications in physical human-robot-interaction
İnsanın optimizasyon döngüsüde olduğu sistemler için bayes optimizasyon stratejileri: Teori ve fiziksel insan-robot etkileşimi uygulamaları
- Tez No: 899607
- Danışmanlar: PROF. DR. VOLKAN PATOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 170
Özet
Fiziksel insan-robot etkileşimi (fİRE), insanlar ve robotlar arasında bir çalışma alanını paylaşmayı ve insanla robot arasında güç iletimi gerektiren görevlerin yerine getirilmesini içerir. Bu tür etkileşimler işbirlikçi, cerrahi, giyilebilir ve rehabilitasyon robot uygulamaları için gereklidir. fİRE uygulamalarında, insanın optimizasyon döngüsünde olduğu çalışmalar, daha güvenli, işbirlikçi, verimli ve kişiselleştirilmiş robotlar geliştirmek için yaygın olarak kullanılmaktadır. İnsanın optimizasyon döngüsünde olduğu çalışmalarda, robot performansını sürekli olarak iyileştirmek için kullanıcı deneyimlerine dayalı niceliksel ve niteliksel değerlendirmeler toplanır. Ancak, bu tür çalışmalarda kullanıcıların yorulması ve dikkat sürelerinin sınırlı olması gibi nedenlerle kullanıcılardan toplanabilen veri miktarı kısıtlıdır. Bu tez kapsamında, insanın optimizasyon döngüsünde olduğu çalışmalar için, numune verimli Bayes stratejileri önerilip bu yöntemlerin çeşitli fİRE uygulamalarındaki kullanımı araştırılmaktadır. İlk olarak, (i) çelişkili dokunsal-görsel ipuçları altında gerçekleştirilen dokunsal oluşturmanın algılanan gerçekçiliğini arttırmak için, niteliksel kullanıcı tercihlerine dayalı, Bayes optimizasyon (BO) yöntemi önerilmekte; sonrasında, (ii) insanın motor öğrenmesini hızlandırmak amacıyla uygulanan yardım düzeyini kişiselleştirmek için, çok kriterli bir optimizasyon problemi ele alınmakta ve bu problemin çözümleri için, insanın optimizasyon döngüsünde olduğu ve hem niteliksel hem de niceliksel performans ölçümlerini ele alan, yenilikçi bir Pareto Bayes yaklaşımı önerilmekte; son olarak, (iii) insanın optimizasyon döngüsünde olduğu deneylerin numune verimliliğini artırmak için, aktarımlı öğrenim yöntemi uygulanmakta ve bu yöntemin etkinliği robot destekli üst ekstremite rehabilitasyonunda destek miktarının kişiselleştirilmesiyle gösterilmektedir. İlk kısımda, ikili karşılaştırmalardan ve sıralı sınıflandırmalardan yararlanan, numune verimli Bayes optimizasyonu ele alınmış ve insanın optimizasyon döngüsünde olduğu niteliksel geri bildirime dayalı bir yöntem geliştirilmiştir. Bu yöntem, çelişen ipuçları altında çok modlu dokunsal oluşturma sırasında görsel-dokunsal işaret entegrasyonunu araştırmak için uygulanmış ve bir dokunsal arayüz ile yay oluşturmanın algılanan gerçekçiliğini en üst düzeye çıkarmak amacıyla, en uygun görsel ölçeklendirmeyi belirlemek üzere sistematik bir yaklaşım olarak ortaya konulmuştur. Sonuçlarımız, görsel-dokunsal uyumu etkileyen parametrelerin, önerilen yöntem kullanılarak, etkili bir şekilde artırılabileceğini ve tutarlı şekilde yüksek bir algılanan gerçekçiliğin sağlanabileceğini göstermektedir. Çok modlu algı, dokunsal geri bildirimi değiştirmeden yalnızca görsel geri bildirimi ayarlayarak, başarılı bir şekilde değiştirilebilmekte ve böylece dokunsal bir arayüz için algılanan sertlik seviye aralığı genişletilebilmektedir. Ayrıca bu çalışmadan elde edilen sonuçlar genellenerek, bir grup bireyin çelişen ipuçları altında duyusal işaret entegrasyonunda kullandığı yöntemlerin kümülatif etkisini karakterize eden çok boyutlu bir psikometrik alan belirlenmiştir. İkinci kısımda, fİRE uygulamalarında genellikle birden fazla ve birbiriyle çelişen optimizasyon hedeflerine ihtiyaç duyulması nedeniyle, insanın optimizasyon döngüsünde olduğu çalışmalar için, karma performans ölçümlerine imkân veren, yenilikçi bir Pareto BO yaklaşımı önerilmiştir. İnsanın optimizasyon döngüsünde olduğu Pareto yaklaşımı, motor öğrenme görevlerinde performans ile algılanan zorluk seviyesi arasındaki ödünleşimi karakterize etmek ve kişiye özel şekilde ihtiyaç kadar destek sağlamak için kullanılmıştır. Önerilen yaklaşım, kullanıcının performansı için niceliksel ölçümlere, algılanan zorluk düzeyi içinse niteliksel kullanıcı geri bildirimine dayalı karma bir model üzerinde çalışmakta ve insanın optimizasyon döngüsünde olduğu Pareto yoluyla ödünleşimi karakterize etmektedir. Çelişen hedefler arasındaki ödünleşim, motor öğrenme görevinde ihtiyaç kadar desteğin belirlenmesine ve eğitim oturumlarında en uygun yardım seviyelerinde destek sağlanmasına imkân vermektedir. Üstelik, öğrenme gerçekleştikçe ödünleşim değişime uğramaktadır ve farklı zamanlara karakterize edilen Pareto çözümleri bu değişimi yakalayıp kullanıcının gelişiminin, yardım olmadan öğrenme görevini gerçekleştiremediği durumlarda bile, adil bir şekilde değerlendirilebilmesini sağlamaktadır. Önerilen yaklaşımın uygulanabilirliğini, sağlıklı bireylerle gerçekleştirilen sanal bir el becerisi eğitimi vaka çalışması aracılığıyla gösterilmiştir. Son kısımda, aktarımlı öğrenme stratejileri, insanın optimizasyon döngüsünde olduğu yöntemlere eklenmiş ve önceki deneylerden elde edilen verilerden yararlanılarak deneylerin numune verimi arttırılmıştır. Aktarımlı öğrenme stratejileri sayesinde, insanın optimizasyon döngüsünde olduğu fİRE uygulamalarında, kapsamlı yeni veri toplama ihtiyacını azaltılmış ve farklı görevler içeren uygulamaların daha etkin olarak yürütülebilmesi sağlanmıştır. Robot destekli üst ekstremite rehabilitasyonu örnek bir uygulama olarak ele alınmış ve aktarımlı öğrenmenin, insanın optimizasyon döngüsünde olduğu Pareto BO ile, farklı fiziksel tedavi egzersizleri için, hastaya uygulanan destek seviyelerinin belirlenmesinde, etkin olarak uygulanabilirliği gösterilmiştir. Deneylerde, kullanıcı çabasını değerlendirmek için niceliksel bir metrik, kullanıcının algılanan konforunu değerlendirmek için ise niteliksel bir metrik kullanılmış ve fiziksel tedavi egzersizleri için insanın optimizasyon döngüsünde olduğu deneyler aracılığıyla başlangıç Pareto çözümleri hesaplanıp, bu çözümler hareketler arası benzerlikler doğrultusunda farklı egzersizlere aktarılmıştır. Hareketler arası benzerlikleri baz alan bu sistematik bilgi aktarım yöntemiyle ampirik veya numuneye bağlı korelasyon metodolojilerine olan ihtiyacı ortadan kaldırılmıştır. Sonuçlarımız, aktarımlı öğrenmenin insanın optimizasyon içinde olduğu deneyleri önemli seviyede hızlandırarak süreci daha verimli ve etkili hale getirebileceğini göstermektedir. Sonuç olarak, bu tezde, insanın optimizasyon döngüsünde olduğu yöntemlerin kapsamı önemli ölçüde genişletilmiş ve bu yöntemlerin fİRE kapsamında uygulanabilirliğini artıran yeni BO stratejileri önerilmiştir. Sunulan yöntemler daha verimli, kişiselleştirilmiş ve etkili fiziksel insan-robot etkileşimlerini için gelecekte bu alanda yapılacak çalışmalar için faydalı bir rehber niteliğindedir.
Özet (Çeviri)
Physical human-robot interaction (pHRI) involves direct physical interaction between humans and robots, sharing a workspace and performing tasks involving touch, force, and movement. Such interactions are essential for collaborative, surgical, wearable, and rehabilitation robots. Human-in-the-loop (HiL) studies are widely used in pHRI to develop safer, more collaborative, efficient, and personalized robots. HiL studies gather quantitative and qualitative evaluations based on user experiences to iteratively improve robot performance and operation. However, data collected from participants in HiL optimization studies are often limited due to fatigue and the limited attention span of users. This thesis proposes sample-efficient Bayesian strategies for HiL optimization and explores their novel applications in various pHRI domains. In particular, this study (i) introduces Bayesian optimization (BO) based on qualitative user preferences to optimize the perceived realism of haptic rendering under conflicting haptic-visual cues. Then, it (ii) extends the Bayesian approach to compute Pareto solutions in HiL multi-criteria optimization problems with qualitative and quantitative performance metrics to customize the assistance level during human motor learning tasks. Finally, (iii) it incorporates transfer learning to improve the sample efficiency of HiL optimizations and demonstrates the improved efficiency due to transfer learning during personalization of the assistance level provided to various upper-extremity movements using a rehabilitation robot. First, we develop a qualitative feedback-based HiL optimization technique using sample-efficient Bayesian optimization that leverages qualitative pairwise comparisons and ordinal classifications. We apply this technique to investigate visual-haptic cue integration during multi-modal haptic rendering under conflicting cues, establishing a systematic approach to determine the optimal visual scaling for haptic manipulation to maximize the perceived realism of spring rendering for a given haptic interface. Our results demonstrate that parameters affecting visual-haptic congruency can be effectively optimized using our HiL optimization technique, ensuring consistently high perceived realism. Consequently, multi-modal perception can be successfully enhanced by solely adjusting visual feedback without altering haptic feedback, thereby extending the range of perceived stiffness levels for a haptic interface. We extend our findings to a group of individuals to capture a multi-dimensional psychometric field that characterizes the cumulative effect of feedback modalities utilized during sensory cue integration under conflicts. Next, we extend HiL studies with multi-criteria BO, addressing the need for considering multiple and often conflicting optimization objectives in pHRI applications. We propose a HiL Pareto optimization approach to characterize the trade-off between the performance and the perceived challenge level of motor learning tasks to be used in assist-as-needed control. Our optimization employs a hybrid model that captures the user's performance by a quantitative metric, while the perceived challenge level is modeled as a qualitative metric gathered through preference-based qualitative feedback. Once the trade-off is characterized via HiL Pareto optimization, we demonstrate how this trade-off can guide the design of assist-as-needed training sessions of a motor learning task with optimal assistance levels. Furthermore, we provide evidence that the trade-off evolves as learning takes place, and the set of non-dominated solutions of multi-criteria optimization can be used to fairly evaluate the training progress, even when the user cannot perform the task without assistance. We show the feasibility and usefulness of the proposed approach through a case study involving a virtual manual skill training task administered to healthy individuals with haptic feedback. Finally, we further enhance our HiL methods by incorporating transfer learning strategies to accelerate the convergence of the optimization, by leveraging data from previous experiments. These strategies significantly improve sample efficiency and reduce the need for extensive new data collection, addressing the impracticality of conducting HiL trials from scratch for each new task in pHRI applications. We demonstrate the applicability of transfer learning to multi-criteria BO through a HiL experiment conducted to personalize the assistance levels for robot-assisted upper-extremity rehabilitation with a diverse range of physical movements. In these optimizations, we utilize a quantitative metric to evaluate user effort and a qualitative metric to assess the user's perceived comfort. Once an initial Pareto curve is computed for a task through HiL optimization for the personalized assistance levels, we transfer these outcomes to subsequent tasks by correlating the similarities among physical tasks. This systematic method of transferring knowledge eliminates the need for empirical or sample-dependent correlation methodologies. Our results demonstrate that applying transfer learning can significantly accelerate HiL optimizations, making the HiL experiments more efficient and effective. Overall, this thesis introduces novel BO strategies that can significantly broaden the scope of HiL solutions in pHRI applications, enhancing their applicability and feasibility. By systematically demonstrating the proposed methodologies across multiple HiL-based pHRI studies, this work not only showcases their effectiveness but also provides a comprehensive framework that can be adapted for HiL studies in various other pHRI fields. The insights and techniques presented in this thesis serve as a valuable guide for future research and development, paving the way for more efficient, personalized, and effective pHRI.
Benzer Tezler
- Çalışan kaybının makine öğrenmesi yöntemleri ile tahminlemesi
Predicting employee attrition with machine learning methods
ÇETİN KAYA
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiOSTİM TEKNİK ÜNİVERSİTESİYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT ŞİMŞEK
- Çoklu ajan sistemleri ile inşaat sektörü için bir yüklenici seçimi modeli
A multi agent systems based contractor selection model
FAİKCAN KOĞ
- Uydu görüntülerinin sınıflandırılmasında çok değişkenli uyarlanabilir regresyon eğrileri algoritmasına dayalı hibrit modellerin geliştirilmesi
Development of hybrid models based on multivariate adaptive regression splines algorithm for classification of satellite images
AZİZE UYAR
Doktora
Türkçe
2024
Jeodezi ve FotogrametriOndokuz Mayıs ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. DERYA ÖZTÜRK
- Dinamik ortamlar için istatiksel metotlar kullanan çoklu evrimsel algoritmalar
Multiploid evolutionary algorithms with statistical methods for dynamic environments
EMRULLAH GAZİOĞLU
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE ŞİMA UYAR
- Using genetic algorithms for order selection in fractional polynomials
Kesirli polinomlarda kuvvet seçimi için genetik algoritmaların kullanımı
BARNABE NDABASHINZE
Yüksek Lisans
İngilizce
2017
İstatistikÇukurova Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. GÜLESEN ÜSTÜNDAĞ ŞİRAY