A learning architecture for real-world robotic manipulation

• Enric Cervera ^[1] ; Angel P. del Pobil ^[1]
  1. [1] Universitat Jaume I

     Universitat Jaume I

     Castellón, España

     
• Localización: CAEPIA'97: actas / coord. por Asociación Española de Inteligencia Artificial, Vicente J. Botti Navarro , 1997, ISBN 84-8498-765-5, págs. 461-468
• Idioma: inglés
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    La programación de robots en entornos con incertidumbre es enormemente compleja. Se necesitan sensores para obtener información sobre el estado real del mundo. Para adaptarse a situaciones nuevas, los robots deben aprender a partir de ejemplos o de su propia experiencia. El aprendizaje se puede acelerar si se utiliza el conocimiento a priori de la tarea. La arquitectura basada en sensores propuesta combina aprendizaje con módulos programados. Se aprende la correspondencia entre estados cualitativos y acciones. La programación permite disminuir la complejidad del aprendizaje. Los procesamientos numérico y simbólico se integran en un esquema apropiado para un amplio rango de tareas robóticas. Se muestran ejemplos de tareas de inserción reales, donde los sensores de fuerza y de posición relativa permiten aprender la tarea con éxito, siendo válida la solución para otras posiciones del objetivo.

  • English

    Robots are extremely difficult to program in uncertain environments. Sensors are required to get feedback and detect the actual world state. In order to adapt to new situations, robots must be able to learn from examples or from their own experience. Learning can be accelerated if the available a priori task knowledge is used. The proposed sensor-based architecture combines learning with programmed modules. The correspondence between qualitative states and actions is learnt. Programming is used to decrease the complexity of the learning task. Numerical and qualitative processing are integrated in a suitable scheme for a wide range of robots tasks. Examples for a real insertion task are provided, where force sensing and the relative position are sufficient to successfully learn the task. The solution is thus valid for any other target location.