Bayesiaanse schattingstechnieken, probabilistische relationele modellen, hoog-niveau kennis representaties en invarianten voor bewegingsbeschrijving voor multi-object volgen en intentie schatting in robotics.

De mogelijkheid om online doelen (targets) zoals mensen en robots te kunnen volgen is fundamenteel voor een brede waaier aan applicaties uit de robotica. Doelen volgen is echter niet voldoende in robotica. Om intelligent en veilig robot-gedrag te bekomen moet de robot zich bewust zijn, bovenop de posities, van de intentie van de doelen. Het beoogde resultaat van het voorgestelde onderzoek is tweevoudig: (1) het detecteren en volgen van meedere doelen (MTTD) en (2) het schatten van de intentie van de doelen. Om dit te bereiken zal mijn onderzoek Bayesiaanse en relationale schattingstechnieken gebruiken in combinatie met hoger-niveau kennisrepresentaties, probabilistisch logisch redeneren (probabilistic logic reasoning) en invariante bewegingsbeschrijvingen. Daartoe zal mijn onderzoek (1) verschillende methodes onderzoeken om de vorm van doelen en geavanceerde bewegingsmodellen te incorporeren in MTTD, met als doel het verbeteren van het volgen tijdens occlusies en interacties tussen verschillende doelen; (2) een raamwerk bouwen voor het volgen van groepen van doelen door te bouwen op probabilistische relationele modellen; en (3) invarianten en coördinaten-vrije representaties van bewegingen van lichamen gebruiken voor de online schatting van de bewegingstrajecten van doelen, en het ontwikkelen van leeralgoritmes om deze bewegingstrajecten te leren voor kerntaken uit menselijk voordoen of opgenomen bewegingsdata.

Trefwoorden:Bayesian estimation, Robotics, Intention estimation, Probabilistic relational models, Invariants, Hygher-level knowledge representations, Multitarget tracking and detection

Disciplines:Controlesystemen, robotica en automatisatie, Ontwerptheorieën en -methoden, Mechatronica en robotica, Computertheorie