Publicado el 6 de Mayo del 2018
638 visualizaciones desde el 6 de Mayo del 2018
2,0 MB
46 paginas
Creado hace 18a (23/01/2006)
Aprendizaje Automático y Data Mining
Bloque VI
EJEMPLO DE APLICACIÓN
1
Índice
n Problema a resolver.
n Propuesta de uso de aprendizaje.
n Algoritmo desarrollado.
n Selección del clasificador.
n Resultados experimentales.
n Entorno de simulación.
n Montaje experimental.
2
PROBLEMA A RESOLVER
3
Problema a resolver (I)
n Agarre de piezas mediante robots.
n
n
El objetivo es que un robot sea capaz de determinar el
mejor modo de agarrar un objeto cualquiera.
Este problema podría ser resuelto sin utilizar aprendizaje
automático.
n No obstante, utilizar aprendizaje puede ofrecer ventajas.
n Se intentará que el robot extraiga reglas de agarre a partir
de ejemplos dados por el usuario.
4
Problema a resolver (II)
5
Problema a resolver (III)
SENSORES
ROBOT
PINZA
nObjetivo:
n Cálculo del agarre óptimo
para un objeto, dados un
brazo robot y una pinza.
nCondicionantes:
n Sólo se conoce la
información proporcionada
por los sensores (no un
modelo 3D del objeto).
n El agarre se debe definir
completamente:
• Puntos de contacto.
• Configuración brazo y
pinza (normalmente
existe redundancia).
OBJETO
6
Problema a resolver (IV)
n
Robot y pinza genéricos:
n
n
Brazo robot de m grados de libertad.
Pinza de n dedos cada uno de ellos con mi grados de libertad.
2q
1q
mq
21q
nnmq
1nq
11q
11mq
22mq
7
PROPUESTA DE USO DE
APRENDIZAJE
8
Propuesta aprendizaje (I)
n Se dispone de ejemplos de agarre realizados por el
usuario en teleoperación.
n
n
La calidad de un nuevo agarre equivale a su
similitud a los ejemplos.
La similitud se calcula a partir de datos locales y
globales.
n Datos locales: afectan a cada punto de contacto por
separado (ej. curvatura).
n Datos globales: indican la situación relativa de los puntos
de contacto (ej. cierre de fuerza o force closure).
9
Propuesta aprendizaje (II)
n Datos locales (referidos a cada punto de contacto):
n Distancia al centro de gravedad.
n Medida multirresolución de la curvatura 2D o 3D.
n Datos globales (referidos al conjunto de todos los puntos de
contacto):
n
Se establece un punto de referencia: el centro del espacio
convexo definido por el conjunto de los puntos de contacto. A
partir de él se obtienen 2 medidas:
n Distancia desde el punto de referencia al centro de gravedad de la
pieza (permite distinguir los agarres centrados de los que no lo
son).
n Medida multirresolución del ángulo formado por la normal a la
superficie en el punto de contacto y la línea dirigida hacia el punto
de referencia (guarda relación con el cumplimiento de la condición
de cierre de fuerza o force closure).
10
Propuesta aprendizaje (III)
¿Por qué se separan las medidas locales y globales?
n
Permite reducir el tiempo de cómputo:
n
n
n
Primera fase: se estudian los puntos de la superficie utilizando atributos
locales.
Segunda fase: se estudian sólo las posibles combinaciones de puntos
válidos utilizando atributos globales.
Resultado: reducción de tiempo de cómputo muy elevada,
particularmente en el caso de pinzas de múltiples dedos.
r
reducc
n
z
z
n
Permite que el sistema de síntesis de agarres propuesto sea más
genérico:
n
n
Válido para diferentes pinzas.
Válido para diferentes tipos de información sensorial.
11
ł
Ł
¢
»
Propuesta aprendizaje (IV)
¿Por qué se utilizan medidas multirresolución?
n
Ciertos atributos ofrecen información dependiente de la resolución:
n
n
Atributos de distancia: convergen hacia un valor al aumentar la
resolución: basta con elegir la máxima resolución disponible.
Atributos angulares (concavidades, direcciones de la normal a la superficie
en el punto de contacto, etc.): no convergen al aumentar la resolución.
n
Utilizar medidas multirresolución permite diferenciar agarres que de
otro modo serían indistinguibles.
(a)
(b)
12
Propuesta aprendizaje (V)
n
Convergencia de una medida de distancia:
p
c.d.g.
c.d.g.
c.d.g.
p
p
distancia [mm]
25.15
25.1
25.05
25
24.95
24.9
24.85
0
0.5
1
1.5
1 / resolución [mm]-1
13
Propuesta aprendizaje (VI)
n
No convergencia de una medida angular:
ángulo [rad]
2*pi
pi
0
0
Zona cóncava
Zona convexa
0.5
1
1.5
1 / resolución [mm]-1
14
a
a
a
a
ALGORITMO
15
Algoritmo (I)
n
La síntesis de un agarre se realiza en cuatro etapas:
1. Filtrado de los puntos de la superficie del objeto.
F
z
2. Cálculo de conjuntos de n puntos de contacto (n dedos)
,p,p
1
2
,p,p
1
2
válido
zp,
p:
=¢
z £
p,
...
...
}
{
}
{
F
F
F
=
i
k
k
z
i
alcanzables por la pinza.
,p,p
G
1
2
...
{
=
g
sg,
i
}
=
{
,g,g
1
2
{
=¢
,g,g
1
2
G
}
}
s
...
g,
g:
i
alcanzable
i
GG
s £
s
p:p...
n
válido
i
p,i
i
p
j
i
j
3. Selección del conjunto óptimo de puntos.
G
=¢
g,
...
G
s
}
g:
(
dist
i
alcanzable
(
)
)
ej,g
i
k
i
g,i
(
dist
válido
(
ej,g
j
k
min
k
)i
)
)
j
i
g
selecc
:Gg
i
min
k
{
(
,g,g
1
2
=
G
s
s
4. Selección de la configuración óptima para la pinza (si existe
=
Q
i
{
,q
1
redundancia).
,q,q...,
11
(
dist
:Q
Q
=
m
selecc
i
min
k
,
q...,
m
1
1
(
q,q
i
ej
k
,q...,
n
1
)
)
min
k
q...,
(
dist
}
(
Qf:
i
)
)
ej
k
j
nm
n
(
q,q
j
)
=
g
selecc
i
i
16
´
˛
"
´
˛
¢
¢
¢
„
"
„
"
"
¢
¢
¢
"
"
¢
¢
¢
¢
¢
¢
¢
£
¢
¢
„
"
£
¢
¢
˛
"
"
"
„
"
£
"
"
Algoritmo (II)
1
{
=
F
,p,p
1
2
...
zp,
}
k
=¢
F
{
,p,p
1
2
...
p,
z
}
k
p:
i
válido
i
F
F
z £
z
n Objetivo: decidir cuáles de los puntos de la superficie de la
pieza son válidos para situar sobre ellos un dedo de la pinza.
n Se utiliza aprendizaje automático: la validez se evalúa como
similitud a los ejemplos de entrenamiento.
n Atributos considerados: MEDIDAS LOCALES.
n Se utiliza aprendizaje inductivo.
n
Estudio de la aplicabilidad de diferentes métodos:
Lazy
Vecino más cercano (k-NN)
Eager
Perceptrón multicapa
Funciones de base
radial
Naive Bayes
Árboles de decisión
(C4.5)
Listas de reglas (PART)
n
Conclusión: se utilizan árboles de decisión.
17
´
˛
"
´
˛
¢
¢
¢
Algoritmo (III)
2
G
G
=
{
,g,g
1
2
{
=¢
,g,g
1
2
...
sg,
...
g,
}
}
s
{
=
g
i
,p,p
1
2
}
p:p...
n
válido
i
p,i
i
p
j
i
j
g:
i
alcanzable
i
GG
s £
s
•
n
n
n
n
Objetivo: calcular todas las posibles combinaciones de n puntos de
contacto válidos alcanzables por la pinza.
Número de agarres a estudiar: .
Posibles causas de no alcanzabilidad de un conjunto de puntos:
z
n
n
n
Limitaciones cinemáticas de brazo robot y pinza.
Existencia de colisiones.
Estudio completo inviable computacionalmente.
Propuesta: filtros sucesivos de complejidad creciente.
SE REDUCE EL NÚMERO DE COMBINACIONES A COMPROBAR
Combinaciones
posibles (s)
s0
Filtro
1
s1
Filtro
2
s2
sP-1
…
Filtro
p
sP
Combinaciones
alcanzables (s’)
AUMENTA LA COMPLEJIDAD DE CADA COMPROBACIÓN
18
„
"
„
"
"
¢
¢
¢
ł
Ł
¢
Algoritmo (IV)
=¢
G
g
selecc
3
{
(
,g,g
1
2
=
...
g,
s
:Gg
i
min
k
}
g:
(
dist
i
alcanzable
(
)
)
ej,g
i
k
i
g,i
(
dist
válido
(
ej,g
j
k
min
k
)i
)
)
j
G
i
G
s
s
n Objetivo: elegir la combinación de n puntos de contacto más adecuada.
n
n
n
n
De nuevo se utiliza aprendizaje automático: la validez se evalúa como
similitud a los ejemplos de entrenamiento.
Atributos considerados: MEDIDAS GLOBALES
Se procede en dos pasos:
n
n
Filtrado de las combinaciones inválidas.
Selección de la combinación más apropiada de entre las válidas.
Se compara el funcionamiento de diversos métodos de aprendizaje,
seleccionando:
n
n
Primer paso: árbol de decisión.
Segundo paso: variación del método del vecino más cercano.
19
"
"
¢
¢
¢
¢
¢
¢
¢
£
¢
¢
„
"
£
¢
¢
˛
"
"
Algoritmo (V)
4
{
,q
1
=
Q
i
Q
selecc
=
m
,q,q...,
11
(
dist
:Q
q...,
1
m
1
(
q,q
i
i
min
k
ej
k
,q...,
,
1
n
)
)
min
k
q...,
(
dist
)
=
g
selecc
i
}
(
Qf:
i
)
)
ej
k
j
nm
n
(
q,q
j
i
n Objetivo: seleccionar una configuración de entre todas las que alcanzan
los puntos de contacto.
Se trata de un problema de resolución de redundancia cinemática.
Propuesta basada en tres conceptos fundamentales:
n
n
n
n
n
Resolución de la redundancia en función de la similitud con los ejemplos
de entrenamiento.
Ponderación de las distintas articulaciones de brazo y pinza robot en
función de su influencia en la calidad del agarre.
Representación de la cinemática inversa en forma de árbol.
n
Resultado: procedimiento computacionalmente eficiente.
20
"
„
"
£
"
"
Algoritmo (VI)
n
n
n
Resolución redundancia: similitud con las configuraciones de los ejemplos.
Diferencia entre dos configuraciones: ponderada en función de las articulaciones.
Criterio genérico de ponderación: cercanía a los puntos de contacto con el objeto.
n
n
Articulaciones próximas: indican el tipo de agarre realizado.
Articulaciones alejadas: dependen fundamentalmente de la posición del objeto
respecto del robot.
n
Criterio modificable según necesidades.
Menor relevancia para
el aprendizaje
q2
Mayor relevancia para
el aprendizaje
q1
qm
qn1
qnmn
q211
q2m2
q11
q1m1
21
Algoritmo (VII)
n Árbol cinemático:
n Refleja todas las posibles soluciones
de la cinemática inversa a un cierto
nivel de resolución (discretización).
n Priorización:
n n-1 primeros niveles: asignaciones de
los n dedos.
n restantes niveles: articulaciones de
brazo y pinza.
n Computacionalmente eficiente:
n Búsqueda heurística sin vuelta atrás.
n Construcción y búsqueda simultáneas,
no es necesario construir el árbol
completo.
22
Algoritmo (VIII)
n Se busca la configuración parecida a alguna de las utilizadas en los ejemplos para
agarrar un objeto con atributos parecidos (dos medidas de distancia).
n Distancia en el espacio de características (similitud objetos):
(
S,Sd
F
p
)
=
q
(
lˆ
)
2
+
i
p
j
lˆ
i
q
j
Comentarios de: Ejemplo de aplicación - Aprendizaje Automático y Data Mining (0)
No hay comentarios