Mostrar o rexistro simple do ítem
Framework para el modelado de Interacciones Humano-Robot basadas en aprendizaje no supervisado
dc.contributor.author | Ramón-Vigo, Rafael | |
dc.contributor.author | Merino, Luis | |
dc.contributor.author | Caballero, Fernando | |
dc.date.accessioned | 2022-02-07T11:30:39Z | |
dc.date.available | 2022-02-07T11:30:39Z | |
dc.date.issued | 2016 | |
dc.identifier.citation | 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 | es_ES |
dc.identifier.isbn | 978-84-617-4298-1 (UCM) | |
dc.identifier.isbn | 978-84-9749-808-1 (UDC electrónico) | |
dc.identifier.uri | http://hdl.handle.net/2183/29677 | |
dc.description.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. | es_ES |
dc.description.uri | https://doi.org/10.17979/spudc.9788497498081 | |
dc.language.iso | spa | es_ES |
dc.publisher | Comité Español de Automática | es_ES |
dc.relation.uri | https://doi.org/10.17979/spudc.9788497498081.0840 | es_ES |
dc.rights | Atribución-NoComercial-CompartirIgual 4.0 Internacional | es_ES |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es | * |
dc.subject | Planificación óptima | es_ES |
dc.subject | Gaussian Mixture Models | es_ES |
dc.subject | Aprendizaje por demostración | es_ES |
dc.subject | Navegación social | es_ES |
dc.title | Framework para el modelado de Interacciones Humano-Robot basadas en aprendizaje no supervisado | es_ES |
dc.type | info:eu-repo/semantics/conferenceObject | es_ES |
dc.rights.access | info:eu-repo/semantics/openAccess | es_ES |
UDC.startPage | 840 | es_ES |
UDC.endPage | 847 | es_ES |
dc.identifier.doi | 10.17979/spudc.9788497498081.0840 | |
UDC.conferenceTitle | XXXVII Jornadas de Automática | es_ES |