Artigo Objetivos

Grasp programming by demonstration in virtual

reality with automatic environment
reconstruction
Construir um sistema robtico de grasp que
suporta programao por demonstrao
An overview of 3D object grasp synthesis
algorithms
Fazer um levantamento do estado-da-arte dos
algoritmos de sintese de grasp
Virtual Reality and Programming by
Demonstration: Teaching a Robot to Grasp a
Dynamic Object by the Generalization of
Human Demonstrations
Desenvolver um sistema que a partir de
demonstraes repetir comportamentos
humanos
Online movement adaptation based on
previous sensor experiences
EMG-Based Teleoperation and Manipulation
with the DLR LWR-III*
Imitation Learning of Human Grasping Skills
from Motion and Force Data
Aprender habilidade de agarrar a partir de dados
de movimento e fora
Combining Imitation and Reinforcement
Learning to Fold Deformable Planar*
Human Hand Motion Recognition Using
Empirical Copula*
Learning to search: Functional gradient
techniques for imitation learning
Aprender a funo de custo para ser aplicado no
algoritmo de planejamento. Tal funo permitir
que o comportamento do planejamento seja de
imitao da demonstrao do especialista
Learning and Generalization of Motor Skills by
Learning from Demonstration
Uma obordagem geral para aprendizagem de
habilidades robticas a partir de demosntraes
Dynamical System Modulation for Robot
Learning via Kinesthetic Demonstrations
Adquirir habilidades robticas a partir de
demonstraes cinemticas
Dynamic Grasp Recognition Using Time
Clustering, Gaussian Mixture Models and
Hidden Markov Models*
A Tactile Feedback System for Robotic Surgery*
Grasp recognition by Time-clustering, Fuzzy
Modeling, and Hidden Markov Models (HMM) -
a comparative study*
Action recognition and understanding through
motor primitives
Reconhecimento e modelagem de atividades que
envolve manipulao de objeto e grasp
Learning and evaluation of the approach vector
for automatic grasp generation and planning
Gerao automtica de grasp para uma mo
robtica. Estudou mais especificamente a
escolha adequada do vetor de abordagem do
objeto
Natural demonstration of manipulation skills
for multimodal interactive robots
Implementar uma abordagem de aquisio de
habilidade de grasp para um rob com
interatividade mutlimodal
Learning of grasp behaviors for an artificial
hand by time clustering and Takagi-Sugeno
Modeling
Aprender primitivas de grasp para uma mo
antropomrfica
Teaching grasping to a humanoid hand as a
generalization of human grasping data
Aprender movimentos finos para agarrar objetos.
Analisar a natureza desses movimentos.
Interactive grasp learning based on human
demonstration
Construo de sistema cognitivo artificial para
executar tarefas de manipulao
Learning motor skills by imitation: A biologically
inspired robotic mode
Fazer um estudo do processo de aprendizagem
por demonstrao no ser humano e replicar tal
processo artificialmente em um rob
Visual programming by demonstration of
grasping skills in the context of a mobile service
robot using 1D-topology based self-organizing-
maps
Ensinar a trajetria para agarrar um objeto
especfico (mas fala de dois grasp aprendidos)
Learning Grasping Force from Demonstration
Aprender a fora da ponta dos dedos para
agarrar e manipular objetos
Template-Based Learning of Grasp Selection
Escolha adequada da configurao dos dedos e
da pose da mo para agarrar um objeto
deseconhecido
Learning Manipulation Tasks from Human
Demonstration and 3D Shape Segmentation
Introduzir uma segmentao 3D para o sistema
robtico de agarrar objetos
Abordagens Soluo
feito um mapeamento da configurao da
luva e da tarefa para a configurao da mo. O
planeamento explora condies de contacto
exatas entre a mo do rob e o objeto
agarrado, bem como um gerador de trajetria
Construiu um sistema (pregrasp planer) que
planeja utilizando um agrupamento de trajetrias
de abordagem e h um procedimento estocstico
(usado HMM) para avaliar as trajetrias. E h um
Grasp map, que seleciona a postura apropriada
para agarrar
focado tanto em algoritmos analticos quanto
em empricos
Foi feito para facilitar a escolhado do algoritmo
apropriado
criado um ambiente virtual em que o usuario
controla o carter virtual. A partir do dados
modelar um funo que represente o caso
estudado e feito isso, adaptar o agente a lidar
com novos casos
Os dados coletados foram generalizados por uma
MLP-BP
Abordagem diferencial o uso da fora para
obter grasps mais estveis
Um operador controla uma mo robtica virtual e
um algoritmo implementado para calcular as
foras.
aplicado a abordagem de controle timo
inverso para encontrar a funo de custo
utilizado uma exteno do Planejamento da
margem mxima (Maximum Margin Planning),
conhecido como: LEARCH
Construo de uma biblioteca de movimentos;
Tais movimentos so rotulados por tipo de
tarefa e o contexto
Cada movimento observado modelado por uma
equao diferencial no-linear
Abordou a programao por demonstrao em
um caso especfico conhecido como
aprendizagem cinemtica
Foi combinado controle de sistema dinmico com
GMM e foi proposto uma soluo do problema da
cinemtica inversa para lidar com redudncia
A Abordagem se baseou na hipotese que as
aes podem ser representadas por uma
sequncia de movimentos primitivos
Usou SVM para reconhecer e modelar uma
primitiva de movimento e HMM para modelar
uma sequncia de primitivas de movimento
Abordou o uso de experincia e primitivas de
formas em sinergia; A escolha feita usando os
sensores de entrada e tambm em dados tteis
de experincias (demonstradas)
h um mapeamento de grasp, um controle de
grasp e um planejador de grasp
Usa da abordagem de programao por
demonstrao
Primeiro, h dialago como rob; Depois,
mostrado ao rob um sequema de classificao e
deteco de objetos; Aps, restreado o
movimento da mo e a trajetria usada no brao
robtico; Por fim, ajuste fino da conf. Da mo
robtica para cada grasp
As trajetrias dos movimentos e os ngulos das
articulaes demonstrados foram modelados
em tempo e espao; Tais modelos foram depois
usado para ser adaptados a mo robtica Usou-se uma modelagem nebulosa
Usou os dados obtidos por um operador
humano diretamente para aprendizagem da
imitao. A ideia completa criar um rede
neural para cada tipo de grasp e uma para
decidir qual usar a partir das caractersticas do
objeto. Esse trabalho restringiu-se a uma rede
neural para um tipo de grasp
Os dados coletados foram generalizados por uma
rede neural. A entrada dimenso do cubo e a
densidade do material e a sada a posio e a
fora para agarrar
Inspirado em estratgias de controle humano,
que usa conhecimento apriori e sensores de
feedback com predio
Inspirao da biologia para implementar um
sistema de aprendizagem por demonstrao
Usou a arquitetura neural DRAMA para
apresender a sequncia de movimentos
Usar demonstraes para aprender a agarrar
Usou um sistema de estrio de viso para rastrear
a trajetria da mo. Tal trajetria aprendida pela
SOM.
A partir de demonstraes aprender as foras
dos dedos. A abordagem de estimao da fora
feita baseada em imagem
Usou GMM para modelar o movimento e a fora.
A trajetria do movimento e a fora aplicada a
um brao e mo robticos. S foi mensurada as
foras normais do indicador e do polegar.
Um algoritmo de seleo de grasp baseado em
demonstraes passadas, pois assumido que
objetos de formas similares podem ser
agarrados de maneira semelhante.
Cada demonstrao associada a um template de
grasp e esse template consiste de um descritor de
forma local. Para agarrar um novo objeto
encontra-se o melhor grasp da biblioteca de
templates e adapta-lo ao novo objeto
Abordou o uso de um mtodo topologico para
segmentao da forma. Isso permitiu
categorizar o objeto e o grasp robtico
Usou um ambiente virtual com rastreadores de
movimentos e luvas de dados.
Tarefas Resultados
Foi realizada a tarefa de agarrar uma caixa
pequena com diferente grasp (alguns tipos de
grasp foram agrupados porque a mo de Barrett
no consegue replicar)
Analticos so mais estveis mas no so orientados a
tarefa; Empricos supera a dificuldade de modelar do
analticos, porm no so totalmente autnomos em
face de novos objetos
pegar um bola que foi arremessada
O foco foi encontrar a menor quantidade de tentativas
necessrias para executar a tarefa adequadamente...
Os resultado motraram que convergio em 90% com
menos de 50 tentativas
Foi experimentado em grasps de preciso
Mostram que aprender as foras de interaes dos
dedos leva a inconsistncias fsicas; E que aprender
tenses internas leva a reprodues mais estveis
Foi realizada a tarefa de agarrar diferentes
formas de objetos
O algoritmo tipicamente generaliza bem. Muitas vezes
aprende conceitos que lembram de forma de
aproximao de objetos no-vistos.
Foi implementado as tarefas de servir-gua e
pegar-e-colocar tanto simulado quanto no rob
Sacros
Colocar um objeto em uma caixa; E aproximar e
agarrar um objeto
Os resultados indicaram que a modelagem da
volocidade bastante simplista e que a modelagem da
acelerao mais sofisticada
5 tarefas de manipulao
No apresentou bons resultados de reconhecimento,
porm, foi til para a modelagem dos movimentos
Os resultados cimenticos foram interessantes
especialmente para os grasps de preciso. Foi
simulado e fez anlise estatstica
Um conjunto de 15 grasp
Um tipo de grasp foi executado em objetos de
diferentes tamanhos e diferentes densidades
Baixa complexidade; No h a necessidade de uma
completa descrio do objeto
Foi realizado um mesmo grasp para 4 diferentes
objetos (carro, caneta, copo, caneca)
Conseguiu avaliar, reconhecer e modelar o grasp
humano durante a sequncia de transporte do brao;
E aprender e representar estratgias de grasp para
diferentes mos robticas. Obteve um taxa de
reconhecimento de 90% e Houve algumas dificuldades
no mapeamento para a mo robtica Barrett
Aprendezado de movimentos precisos das
extremidades para agarra e alcanar
Foi implementado e avaliado no sistema robtico
TASER usando dados sintticos e reais
O SOM foi capaz de generalizar vrias demonstraes.
O desempenho foi suficiente para ser aplicado a
agarrar diferentes objetos do cotidiano.
Foi ensinado ao brao robtico Fanuc e a mo
Barrett uma tarefa de pegar-e-colocar.
Os resultados mostram que o rob aplica movimentos
adequados a tarefas
Foi experimentado em duas mos robticas,
Willow Garage PR2 e Barrett WAM.
Os resultados mostram que o algoritmo pode
encontrar boas configuraes de grasp para um
grande conjunto de objetos e que consegue melhorar
a performance ao longo do tempo.
O planejador robtico capaz de generalizar objetos
semelhantes. Os resultados mostraram que a proposta
encontrou com menos esforo o grasp apropriado
para a tarefa solicitada
Limitaes
O simulador no tinha preciso da dinmica
Modelagem de tarefa difcil. Encontrar
uma tarefa compatvel para agarrar ainda
um problema em aberto
Foi simulado, poder de realidade menor
No foi analisado em power grasp
Sua aplicao requer a existncias de
solucionadores eficientes de MDP. Foi
desenvolvido para trabalhar em um
ambiente esttico e completamente
obsevvel
Pode haver uma associao do objeto com
aes para permitir um planejamento da
sequncia de aes
O fator de modulao pode ser aprendido.
Pode ser utilizado um sistema para extrair
as variveis relevantes e escolher o modelo
apropriado. restrito a tarefas simples.
No foi til para reconhcer
Uma limitao geral levantada no artigo
que pouco foi explorado o grasp on-line
Tem de obdecer a premissas da biologia
Um dificuldade o critrio de parada da
rede SOM
As demonstraes devem ao alcance das
cmeras. Faltou mensurar as foras nos
outros dedos.
Trabalhos futuros: adaptar o grasp usando
dados de sensores tteis. E tambm,
informaes da tarefa para um refinamento
do grasp