Publicación:
Generalización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.

Vista sencilla de ítem
dc.contributor.authorSolórzano, Carlos Andrés Peñaspa
dc.contributor.authorHoyos Gutiérrez, José Gabrielspa
dc.contributor.authorPrieto Ortiz, Flavio Augustospa
dc.date.accessioned2018-04-30 00:00:00
dc.date.accessioned2022-06-17T20:18:29Z
dc.date.available2018-04-30 00:00:00
dc.date.available2022-06-17T20:18:29Z
dc.date.issued2018-04-30
dc.description.abstractEs común encontrar robots realizando tareas en áreas compartidas con humanos, donde se espera que sean capaces de aprender de las acciones realizadas por otros y de adaptarse a nuevas situaciones. En este trabajo, se capturan las trayectorias del brazo de un operario mientras se mueve para agarrar un objeto, realizando seguimiento de articulaciones con el sensor kinect de Microsoft. La técnica utilizada para la codificación de las señales de entrenamiento se denominan primitivas de movimiento dinámico (DMP), mientras que la reconstrucción se realiza mediante regresión de procesos gaussianos (GPR). GPR permite además, generalizar los movimientos de entrenamiento a nuevas trayectorias, cuando cambian tanto la posición inicial de la mano como la ubicación del objeto. La técnica de generalización se compara contra un algoritmo basado en distancia de Mahalanobis y distribución gaussiana, que utiliza los datos de la trayectoria sin codificar, para realizar la estimación. La técnica propuesta presentó bajos tiempos de codificación y errores pequeños con respecto a los valores objetivo al probarlo con 30 puntos de consulta para el valor inicial de la mano, y 30 puntos para la posición final.spa
dc.description.abstractEs común encontrar robots realizando tareas en áreas compartidas con humanos, donde se espera que sean capaces de aprender de las acciones realizadas por otros y de adaptarse a nuevas situaciones. En este trabajo, se capturan las trayectorias del brazo de un operario mientras se mueve para agarrar un objeto, realizando seguimiento de articulaciones con el sensor kinect de Microsoft. La técnica utilizada para la codificación de las señales de entrenamiento se denominan primitivas de movimiento dinámico (DMP), mientras que la reconstrucción se realiza mediante regresión de procesos gaussianos (GPR). GPR permite además, generalizar los movimientos de entrenamiento a nuevas trayectorias, cuando cambian tanto la posición inicial de la mano como la ubicación del objeto. La técnica de generalización se compara contra un algoritmo basado en distancia de Mahalanobis y distribución gaussiana, que utiliza los datos de la trayectoria sin codificar, para realizar la estimación. La técnica propuesta presentó bajos tiempos de codificación y errores pequeños con respecto a los valores objetivo al probarlo con 30 puntos de consulta para el valor inicial de la mano, y 30 puntos para la posición final.eng
dc.format.mimetypeapplication/pdfspa
dc.identifier.doi10.24050/reia.v15i29.690
dc.identifier.eissn2463-0950
dc.identifier.issn1794-1237
dc.identifier.urihttps://repository.eia.edu.co/handle/11190/4912
dc.identifier.urlhttps://doi.org/10.24050/reia.v15i29.690
dc.language.isospaspa
dc.publisherFondo Editorial EIA - Universidad EIAspa
dc.relation.bitstreamhttps://revistas.eia.edu.co/index.php/reveia/article/download/690/1180
dc.relation.citationeditionNúm. 29 , Año 2018spa
dc.relation.citationendpage123
dc.relation.citationissue29spa
dc.relation.citationstartpage109
dc.relation.citationvolume15spa
dc.relation.ispartofjournalRevista EIAspa
dc.relation.referencesDe Maesschalck, R., Jouan-Rimbaud, D., and Massart, D. L. (2000). The mahalanobis distance. Chemometrics and intelligent laboratory systems, 50 (1), pp. 1–18.spa
dc.relation.referencesForte, D., Gams, A., Morimoto, J., and Ude, A. (2012). On-line motion synthesis and adaptation using a trajectory database. Robotics and Autonomous Systems, 60 (10), pp. 1327–1339.spa
dc.relation.referencesForte, D., Ude, A., and Gams, A. (2011). Real-time generalization and integration of different movement primitives. In 2011 11th IEEE-RAS International Conference on Humanoid Robots (Humanoids), pp. 590–595.spa
dc.relation.referencesGams, A. and Ude, A. (2009). Generalization of example movements with dynamic systems. In 2009 9th IEEE-RAS International Conference on Humanoid Robots (Humanoids), pp. 28–33.spa
dc.relation.referencesKaneko, T., Ono, T., and Munakata, N. (2011). Implementation of context-adaptive physical imitation between humans and robots. In 2011 IEEE RO-MAN, pp. 187 –191.spa
dc.relation.referencesKober, J., Oztop, E., and Peters, J. (2011). Reinforcement learning to adjust robot movements to new situations. In IJCAI Proceedings-International Joint Conference on Artificial Intelligence, volume 22, pp. 2650.spa
dc.relation.referencesKormushev, P., Calinon, S., and Caldwell, D. G. (2011). Imitation learning of positional and force skills demonstrated via kinesthetic teaching and haptic input. Advanced Robotics, 25 (5): 581–603.spa
dc.relation.referencesKormushev, P., Calinon, S., Saegusa, R., and Metta, G. (2010). Learning the skill of archery by a humanoid robot icub. In 2010 10th IEEE-RAS International Conference on Humanoid Robots (Humanoids), pages 417–423.spa
dc.relation.referencesKulvicius, T., Ning, K., Tamosiunaite, M., and Worgotter, F. (2012). Joining movement sequences: Modified dynamic movement primitives for robotics applications exemplified on handwriting. IEEE Transactions on Robotics, 28 (1): 145–157.spa
dc.relation.referencesLee, A. X., Huang, S. H., Hadfield-Menell, D., Tzeng, E., and Abbeel, P. (2014). Unifying scene registration and trajectory optimization for learning from demonstrations with application to manipulation of deformable objects. In 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2014), pages 4402–4407.spa
dc.relation.referencesLeón, A., Morales, E., Altamirani, L., and Ruiz, J. (2011). Teaching a robot new tasks through imitation and on-line feedback. In Proc. of the 16th Iberoamerican Congress on Pattern Recognition.spa
dc.relation.referencesLopes, M., Melo, F., Montesano, L., and Santos-Victor, J. (2010). Abstraction levels for robotic imitation: Overview and computational approaches. In Sigaud, O. and Peters, J., editors, From Motor Learning to Interaction Learning in Robots, volume 264 of Studies in Computational Intelligence, pages 313–355. Springer Berlin / Heidelberg.spa
dc.relation.referencesLopes, M. and Santos-Victor, J. (2007). A developmental roadmap for learning by imitation in robots. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 37 (2): 308–321.spa
dc.relation.referencesMetta, G., Sandini, G., Vernon, D., Natale, L., and Nori, F. (2008). The icub humanoid robot: an open platform for research in embodied cognition. In Proceedings of the 8th Workshop on Performance Metrics for Intelligent Systems, PerMIS ’08, pp. 50–56, New York, NY, USA. ACM.spa
dc.relation.referencesNatale, L., Nori, F., Metta, G., Fumagalli, M., Ivaldi, S., Pattacini, U., Randazzo, M., Schmitz, A., and Sandini, G. (2013). The icub platform: a tool for studying intrinsically motivated learning. In Intrinsically motivated learning in natural and artificial systems, pp. 433–458. Springer.spa
dc.relation.referencesNath, V. K. and Levinson, S. E. (2012). Learning to fire at targets by an icub humanoid robot. Urbana, 51, pp. 61801. Nemec, B. and Ude, A. (2012). Action sequencing using dynamic movement primitives. Robotica, 30(5), pp.837.spa
dc.relation.referencesNguyen-Tuong, D., Seeger, M., and Peters, J. (2009). Model learning with local gaussian process regression. Advanced Robotics, 23(15), pp.2015–2034.spa
dc.relation.referencesNicolescu, M. N. and Mataric, M. J. (2005). Task learning through imitation and human-robot interaction. In Models and Mechanisms of Imitation and Social Learning in Robots, Humans and Animals: Behavioural, Social and Communicative Dimensions, pp. 407–424. University Press.spa
dc.relation.referencesOikonomidis, I., Kyriazis, N., and Argyros, A. (2011). Efficient model-based 3d tracking of hand articulations using kinect. In BMVC 2011. BMVA.spa
dc.relation.referencesPastor, P., Hoffmann, H., Asfour, T., and Schaal, S. (2009). Learning and generalization of motor skills by learning from demonstration. In 2009 IEEE International Conference on Robotics and Automation (ICRA), pp. 763-768.spa
dc.relation.referencesPeña-Solórzano, C.; Hoyos-Gutiérrez, J.; Prieto- Ortiz, F. (2015). Hacia el agarre de objetos utilizando aprendizaje robótico por imitación y datos de fuerza. Revista EIA, 12 (23) Enero-Junio, pp. 71-82.spa
dc.relation.referencesRasmussen, C. E. (2004). Gaussian processes in machine learning. In Advanced Lectures on Machine Learning, pp. 63–71. Springer.spa
dc.relation.referencesStulp, F., Theodorou, E., Buchli, J., and Schaal, S. (2011). Learning to grasp under uncertainty. In 2011 IEEE International Conference on Robotics and Automation (ICRA), pp. 5703–5708.spa
dc.relation.referencesTamosiunaite, M., Nemec, B., Ude, A., and Wörgötter, F. (2011). Learning to pour with a robot arm combining goal and shape learning for dynamic movement primitives. Robotics and Autonomous Systems, 59 (11), pp. 910–922.spa
dc.relation.referencesTan, H., Erdemir, E., Kawamura, K., and Du, Q. (2011). A potential field method-based extension of the dynamic movement primitive algorithm for imitation learning with obstacle avoidance. In 2011 International Conference on Mechatronics and Automation (ICMA), pp. 525–530.spa
dc.relation.referencesTikhanoff, V., Cangelosi, A., and Metta, G. (2011). Integration of speech and action in humanoid robots: icub simulation experiments. IEEE Transactions on Autonomous Mental Development, 3 (1), pp. 17–29.spa
dc.relation.referencesToda, Y., Kodai, Y., Hiwada, E., and Kubota, N. (2011). Human motion tracking for cognitive rehabilitation in informationally structured space based on sensor networks. In 2011 IEEE International Conference on Fuzzy Systems (FUZZ), pp. 1459 –1465.spa
dc.relation.referencesUde, A., Gams, A., Asfour, T., and Morimoto, J. (2010). Task-specific generalization of discrete and periodic dynamic movement primitives. IEEE Transactions on Robotics, 26 (5), pp. 800–815.spa
dc.rightsRevista EIA - 2018spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/spa
dc.sourcehttps://revistas.eia.edu.co/index.php/reveia/article/view/690spa
dc.subjectRobóticaspa
dc.subjectaprendizaje por imitaciónspa
dc.subjectprogramación por demostraciónspa
dc.subjectprimitivas de movimiento dinámicospa
dc.subjectregresión de procesos gaussianos.spa
dc.subjectRobóticaspa
dc.titleGeneralización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.spa
dc.title.translatedGeneralización de las trayectorias de un brazo robótico utilizando primitivas de movimiento dinámico y regresión de procesos gaussianos.eng
dc.typeArtículo de revistaspa
dc.typeJournal articleeng
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/articlespa
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTREFspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication
Archivos
Colecciones
Revista EIA (Portal de Revistas)