Programação de robôs por demonstração utilizando modelos não lineares autorregressivos

Exportado OPUSMade available in DSpace on 2019-08-10T02:10:53Z (GMT). No. of bitstreams: 1 thesisrafaelsantos.pdf: 27588482 bytes, checksum: c739f8e92e1641c99f94628e722638db (MD5) Previous issue date: 12Robôs autônomos são máquinas que operam sem intervenção humana, de forma totalmente automatizada, utilizando sensores para perceber o ambiente e tomar decisões. Devido à quantidade e à complexidade dos dados gerados pelos robôs atuais e à dificuldade em codificar movimentos complexos, torna-se necessária a criação de novas técnicas para a programação de políticas de controle satisfatórias. Uma das técnicas que tem mostrado ser promissora é a programação por demonstração, onde a ideia geral é tentar extrair uma lei de controle adequada de demonstrações de tarefas realizadas. A vantagem da programação por demonstração é a codificação direta de uma tarefa a partir de um conjunto de demonstrações, o que permite a programação do robô por pessoas leigas. Este trabalho propõe uma metodologia para aprender movimentos de alcance de robôs a partir de um conjunto de demonstrações com o uso de modelos não lineares autorregressivos (NAR) polinomiais. Os movimentos de alcance são modelados como soluções para sistemas dinâmicos não lineares autônomos de tempo discreto, de modo que os movimentos iniciados próximos aos dados das demonstrações seguem as trajetórias treinadas e sempre alcançam e param no alvo. Como os modelos NAR, obtidos usando técnicas padrões de identificação de sistemas, nem sempre modelam adequadamente os movimentos de alcance, neste trabalho é apresentado um método que usa um estimador de mínimos quadrados com restrições para impor a localização de pontos fixos no modelo. Com a impoix x sição de novos pontos fixos é possível alterar a localização dos pontos fixos originais do modelo, permitindo assim o aprendizado de movimentos de alcance estáveis. O método foi comparado com o estado da arte utilizando uma biblioteca de movimentos de caligrafia. Os resultados mostram que o método proposto é uma boa alternativa para métodos propostos anteriormente quando é necessária uma boa precisão nas trajetórias aprendidas e, ao mesmo tempo, uma baixa demanda do controlador de baixo nível. O método também foi avaliado em um robô móvel real e em um manipulador industrial com sucesso.Autonomous robots are machines that operate without human intervention, fully automatic, using sensors to perceive the environment and make decisions employing that information. Due to the amount and complexity of the data generated by the robots and the difficulty in encoding complex movements, it is necessary to create new techniques to satisfactorily program control policies. One technique that has proven to be promising is programming by demonstration, where the general idea is to extract an adequate control law from demonstrations of the tasks to be performed. The main advantage of programming by demonstration is the direct encoding, from a set of demonstrations, of a given task, what allows robot to be programed by non-specialist people. This work proposes a methodology for learning robot reaching motions from a set of demonstrations using Nonlinear AutoRegressive (NAR) polynomial models. Reaching motions are modeled as solutions to autonomous discrete-time nonlinear dynamical systems so that the movements started near the data of the demonstrations follow the trained trajectories and always reach and stop at the target. Since NAR models obtained using standard system identification techniques do not always adequately model the reaching motions, in this work is presented a method that uses a least-squares estimator with constraints to impose the location of fixed points in the model. With the imposition of new fixed points it is possible to change the location of the original fixed points of the model, thus xi xii allowing the learning of stable reaching motions. The method was compared with the state-of-the-art using a calligraphy movement library. The results show that the proposed method is a good alternative in the area when it is needed a good precision in the trajectories learned, and, at the same time, a low demand of the low level controller. The method was also evaluated in an actual mobile robot and an industrial manipulator with success