Framework para el modelado de Interacciones Humano-Robot basadas en aprendizaje no supervisado
![Thumbnail](/dspace/bitstream/handle/2183/29677/2016_Ramon_Vigo_Rafael_Framework_para_el_modelado_de_Interaccione_Humano-Robot%20.pdf.jpg?sequence=5&isAllowed=y)
View/ Open
Use this link to cite
http://hdl.handle.net/2183/29677
Except where otherwise noted, this item's license is described as Atribución-NoComercial-CompartirIgual 4.0 Internacional
Collections
Metadata
Show full item recordTitle
Framework para el modelado de Interacciones Humano-Robot basadas en aprendizaje no supervisadoDate
2016Citation
Ramón-Vigo, R., Merino, L., Caballero, F. Framework para el modelado de Interacciones Humano-Robot basadas en aprendizaje no supervisado. 7, 8 y 9 de septiembre de 2016, Madrid (pp. 840-847). DOI capítulo: https://doi.org/10.17979/spudc.9788497498081.0840 DOI libro: https://doi.org/10.17979/spudc.9788497498081
Abstract
[Resumen] En el presente trabajo se propone un marco de referencia para el aprendizaje de interacciones entre personas y robots, basado en el uso conjunto de una técnica de aprendizaje sin supervisión y de un planificador de muestreo de configuraciones. Particularmente, se hace uso de los Modelos Mixtos Gausianos (GMMs en inglés) para modelar la interacción física de un robot y de una persona cuando este robot es teleoperado por alguien experto. De este modo, distintos comportamientos tales como evitar, acercarse o seguir a una persona pueden ser fácilmente derivados e incluso combinados gracias a las propiedades de las GMM. Los modelos aprendidos se integran en un planificador basado en muestreo, un RRT*, bajo dos preceptos: primero, como una funci on de costes que permita ponderar el espacio de estados del robot como más afín a los comportamientos aprendidos y segundo, como sesgo del muestreo para descartar aquellas zonas menos probables según se haya concluido de las demostraciones. El algoritmo se ha probado exitosamente en el laboratorio usando un robot real y las trayectorias provistas por un experto.
Keywords
Planificación óptima
Gaussian Mixture Models
Aprendizaje por demostración
Navegación social
Gaussian Mixture Models
Aprendizaje por demostración
Navegación social
Editor version
Rights
Atribución-NoComercial-CompartirIgual 4.0 Internacional
ISBN
978-84-617-4298-1 (UCM) 978-84-9749-808-1 (UDC electrónico)