Learning robotic navigation and manipulation primitives from demonstration
Gösterim yoluyla robotik navigasyon ve manipülasyon primitiflerinin öğrenimi
- Tez No: 929841
- Danışmanlar: DOÇ. DR. EMRE UĞUR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 129
Özet
Robotların varlık sebebi, insanların uygun bulduğu görevlerde, insanların yararına kullanılabilecek olmalarıdır. Robotların istenen görevleri, insan kadar başarılı şekilde yapabilmesini sağlamak için insan zekasını veya işlevselliğini hedeflemek mantıklıdır. Bu tezde sunulan araştırmalar, robotların işlevselliğinin insan seviyesine yaklaştırılmasını sağlamak için yapılmış bir dizi çalışmayı kapsamaktadır. Gösterimden Öğrenme (Learning from Demonstration - LfD) tekniği, bu yönde ilerlememiz için paha biçilmez kaynaklar sağlamaktadır. Veri odaklı yaklaşımlardaki son gelişmelerle birlikte, LfD yöntemleri de bir dönüşüm sürecine girmiştir. İlerlemelere rağmen, zeka açısından insanlar ve robotlar arasında önemli bir fark vardır. Bu farkı azaltmaya yardımcı olmak için, ilk olarak mobil robotların sosyal uyumunu artırmayı önerdik. Bu amaçla, navigasyona ilişkin primitifleri, insan verilerinden öğrenen bir navigasyon çerçevesi geliştirdik. Bu model proksemiklere ve yörüngelere ait mekansal metriklerden yararlanarak robot hareketlerinin çevredeki insanlarda yarattığı rahatsızlığı azaltmayı hedefler. Devamında, Koşullu Sinirsel Uzman İşlemler (Conditional Neural Expert Processes - CNEP) adını verdiğimiz yeni bir LfD çerçevesi önerdik. CNEP, farklı hareket primitiflerini aynı anda ve insan müdahalesine ihtiyaç duymadan öğrenir; entropi konseptinden yararlanarak, gösterimlerdeki çok modluluğun yakalanmasının yolunu açar. Son olarak, bir çiviyi çekiçle çakmak gibi birçok gerçek dünya becerisi, aynı primitifin ritmik olarak uygulanmasını gerektirir. Böyle periyodik görevler için, doğrusal faz yerine açısal fazı kullanan Pozisyonla Güçlendirilmiş Hareket Primitifleri (Position-Enhanced Movement Primitives - PEMP) modelini önerdik. Deneylerimiz, PEMP'in periyodik primitifleri modelleme ve sentezleme konusunda büyük bir potansiyele sahip olduğunu göstermiştir.
Özet (Çeviri)
The current raison d'être of robots is their potential to be utilized in tasks deemed suitable by humans and for the benefit of humanity. To ensure that robots perform designated tasks as successfully as humans, it is logical to aim for human intelligence or functionality. The research presented in this thesis is a collection of attempts to bring robot functionality one step closer to the human level. Learning from Demonstration (LfD), which essentially signifies teaching robots new skills by demonstrating them, provides invaluable resources for progressing in this direction. With the advances in data-driven approaches, LfD methods have undergone a significant transformation. Despite the improvements, there remains a substantial gap between humans and robots in terms of intelligence. To help bridge this gap, we first proposed increasing the sociability of mobile robots. We introduced a data-driven navigation framework that learns navigation-related movement primitives from real-world human data. The proposed model leverages spatial metrics of proxemics and trajectory characteristics to minimize disturbance to surrounding individuals. Building on this work, we proposed a new LfD framework called Conditional Neural Expert Processes (CNEP). CNEP learns movement primitives of diverse skills simultaneously in an unsupervised manner. Leveraging the entropy concept, CNEP paves the way for capturing the multimodalities in demonstrations. Finally, many real-world skills require the rhythmic application of the same primitive, such as hammering a nail. For such skills, we proposed the Position-Enhanced Movement Primitives (PEMP) model that learns to utilize the angular phase instead of the linear phase. Our experiments showed that PEMP has great potential in modeling and synthesizing periodic primitives.
Benzer Tezler
- 2.5D object modeling using gaussian processes for robotic mapping and navigation
Robotik haritalama ve yöngüdüm için gauss süreçler ile 2.5B nesne modelleme
ERDEM TORAMAN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE ÖZKAN
- Derin pekiştirmeli öğrenme ile otonom gezgin robotların dinamik ortamlarda navigasyonu
Navigation of autonomous mobile robots in dynamic environments with deep reinforcement learning
KORAY ÖZDEMİR
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ADEM TUNCER
- Dynamic obstacle avoidance using reinforcement learning
Pekiştirmeli öğrenme kullanarak dinamik engel kaçınımı
MUHARREM KÜÇÜKYILMAZ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN USLU
- A Behaviour-based robot control system using adaptive heuristic critic
Uyarlanır buluşsal kritik öğrenme kullanan davranış tabanlı bir robot kontrol sistemi
ÖMER SİNAN SARAÇ
Yüksek Lisans
İngilizce
2002
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FERDA NUR ALPASLAN
- Step length estimation using sensor fusion for indoor positioning
İç mekan konumlandırması için sensor füzyonu ile adım uzunlugu tahmini
HASBİ SEVİNÇ
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE