Invariante representaties van starre lichaamsbewegingstrajecten met toepassing in bewegingsherkenning en robot leren door demonstratie

Toekomstige robots worden verwacht te handelen in onvoorspelbare en veranderlijke omgevingen, niet alleen in de industrie, maar ook in het huishouden en de gezondheidszorg. Deze omgevingen vereisen bovendien een nauwe interactie en samenwerking met de mens. Om menselijke bewegingen te begrijpen en om succesvol bewegingen te genereren naargelang de veranderlijke toestand van de omgeving, is een interne representatie van de beweging vereist in de vorm van een bewegingsmodel. 

Gebruikmakend van leren door demonstratie kunnen bewegingsmodellen opgesteld worden met de opgemeten trajectcoördinaten van gedemonstreerde bewegingen. Deze coördinaten veranderen echter naargelang de context waarin de beweging wordt opgenomen, zoals de keuze van het referentieassenstelsel, de gekozen referentiepunten op het te volgen object, de locatie in de ruimte en het bewegingsprofiel waarmee de beweging wordt uitgevoerd. Deze contextuele afhankelijkheden maken het uitdagend voor bewegingsmodellen om nieuwe bewegingen te herkennen en/of te genereren in situaties die niet gedemonstreerd zijn, zodat vaak uitgebreide datasets nodig zijn ter compensatie.

Het doel van dit onderzoek is om gedemonstreerde bewegingen algemener voor te stellen zodat minder demonstraties vereist zijn om  bewegingen te herkennen en te genereren in andere situaties. De focus ligt op bewegingstrajecten van starre lichamen, zoals door de mens gemanipuleerde voorwerpen of de beweging van de eindeffector van een robotmanipulator.

In de ontwikkelde aanpak worden gedemonstreerde bewegingen eerst getransformeerd naar een innovatieve invariante representatie die de essentiële onveranderlijke kenmerken van de beweging bevat. Deze invarianten hangen hierdoor niet meer af van de context waarin de beweging werd opgemeten. Dit resulteert in een duidelijke scheiding tussen de essentiële bewegingsinformatie die vervat zit in de invarianten en de contextuele bewegingsinformatie.

De eerste bijdrage van deze thesis is een taxonomie van verschillende bestaande en nieuwe invariante representaties voor de beweging van starre lichamen, met een opsomming van de invariante eigenschappen. Dit laat ontwerpers van roboticatoepassingen toe om de invariante representatie te kiezen die het meest geschikt is voor hun toepassing.

De tweede bijdrage is een validatie van de invariante eigenschappen van de voorgestelde trajectdescriptoren in bewegingsherkenningsexperimenten. De resultaten tonen aan dat de herkenningsgraad verbetert bij het gebruik van invariante bewegingsmodellen, aangezien er een grote reductie gebeurt van de zoekruimte tijdens de herkenning. 

De derde bijdrage is een nieuwe optimalisatiegebaseerde methode om gedemonstreerde bewegingstrajecten te veralgemenen naar nieuwe situaties. Gelijkaardigheid met de originele demonstratie is gegarandeerd door het minimaliseren van de verschillen tussen de invarianten van het gegenereerde traject en de invarianten van het gedemonstreerde traject. De context van de nieuwe situatie kan worden opgelegd in de beperkingen van het optimalisatieprobleem met inbegrip van nieuwe doellocaties, beperkingen door het robotplatform of obstakelvermijding.

De vierde en laatste bijdrage is een nieuwe optimalisatiegebaseerde methode voor het berekenen van invariante representaties. Deze methode lost typische berekeningsproblemen op gelinkt aan gevoeligheid voor meetruis en singuliere punten, waar invarianten onbepaald zijn. De nieuwe berekeningsmethode verbetert de herkenningsgraad tijdens de bewegingsherkenning en werkt trajectfouten weg tijdens het generaliseren van bewegingen.

Deze resultaten moedigen het gebruik van invariante representaties aan voor bewegingsherkenning en  leren door demonstratie toepassingen, aangezien minder demonstraties nodig zijn om algemeen geldende bewegingsmodellen op te stellen.