Reprezentace motorických akcí pro imitační učení v robotice

Abstract

Tato práce se zabývá manipulací s předměty pomocí robotické ruky. Zaměřujeme se na to, jak důležitý je výběr proměnných reprezentujících danou akci (pohyb) pro naučení a zobecnění dané akce do nového prostředí v případě, že využíváme pro naučení akce generativních modelů. V první části práce připravujeme generátor datasetů pro sadu motorických akcí (posuň, zvedni a strč) v robotickém simulátoru CoppeliaSim s využitím robotického sedmiosého manipulátoru. Generátor umožňuje variovat jak způsob provedení akce (např. rychlost pohybu), tak i parametry manipulovaných objektů (např. velikost, váhu, tření či tvar) a výchozí parametry scény (např. úvodní pozice objektu a manipulátoru). V druhé části práce upravujeme generativní model ACTOR tak, aby ho bylo možné podmínit nejen typem akce, ale i parametry manipulovaného tělesa. Na základě připravených evaluačních kritérií hodnotíme kvalitu natrénovaných modelů pro různé typy datasetů (velikost datasetu, tělesa různé velikosti, tělesa různé velikosti a tvaru, atp.).

This work deals with the manipulation of objects using robotic arm. We focus on how important it is to select variables representing a given action (movement) to learn and generalize the action to a new environment if we use generative models to learn the action. In the first part of the work we are preparing a dataset generator for a set of motor actions (poke, lift and push) in the robotic simulator CoppeliaSim using a robotic 7-axis manipulator. The generator allows you to vary both the way the action is performed (eg. movement speed) and the parameters of the manipulated objects (eg. size, weight, friction or shape) and the default parameters of the scene (eg. the initial position of the object and the manipulator). In the second part of the work, we modify the generative ACTOR model so that it is possible to condition not only the type of action, but also the parameters of the manipulated object. Based on the prepared evaluators, we evaluate the quality of trained models for different types of datasets (dataset size, objects of different sizes, objects of different sizes and shapes, etc.).