Sistema de predicción del error de modelado para una tarea de manipulación de objetos de la vida diaria para un robot humanoide, utilizando técnicas de aprendizaje de máquina

Abstract

Los robots han ganado mucha popularidad como facilitadores de tareas a los seres humanos, no solo en la industria, sino que se incorporan a ambientes de la vida cotidiana (ambientes poco controlados). Los robots tipo humanoide prometen ser los siguientes asistentes en el hogar, en donde la interacción con todo tipo de objetos es indispensable. En diferentes laboratorios alrededor del mundo se plantean distintas técnicas que permiten a los robots humanoides interactuar y manipular objetos en diferentes escenarios. Una de estas técnicas se basa en que el robot se concentra en las características del objeto para poder manipularlo, por lo que se plantea un modelo analítico del objeto para así poder conocer (predecir) su comportamiento. Estos modelos analíticos consisten en una representación matemática con ecuaciones dinámicas que describen el comportamiento del objeto ante diferentes efectos. Para obtener una descripción ideal (igual a la real) del comportamiento del objeto, se requiere un modelo completo (modelo real) que incluya todas las variables que afecten la dinámica del objeto. En la práctica, por diversas razones, estos modelos son difíciles de obtener completos de forma analítica. En aplicaciones reales, se acude a modelos incompletos que aproximen el comportamiento real del objeto. En el Arcos-Lab se plantea un modelo de objeto (una caja) el cual es utilizado por un robot humanoide para manipularlo en varios escenarios, este modelo permite al robot conocer (predecir) la pose del objeto mientras lo utiliza. Este modelo de la caja, es un modelo incompleto, por lo que la predicción de la pose presenta un error. En esta tesis se plantea un sistema compensador de error para este sistema de predicción de pose de objeto con un modelo de objeto incompleto. En la solución propuesta se estudian las fuentes de error del sistema de predicción de pose y se propone un modelo con redes neuronales que permite calcular el error en la pose. Con este modelo de error se logra no solo calcular el valor de error, sino también utilizar este valor para compensar el error presente en el sistema de predicción de pose. Se evalúa el modelo propuesto mediante validación cruzada, utilizando datos experimentales obtenidos con un robot humanoide. El modelo propuesto muestra resultados satisfactorios al disminuyendo del error del sistema de predicción de pose.

Robots have gained popularity as facilitators of tasks to human beings, not only in the industry, but also they are incorporated into daily life environments (low-controlled environments). Humanoid robots promise to be the next assistants at home, where interaction with all kinds of objects is essential. In di erent laboratories around the world, di erent techniques are proposed to allow humanoid robots to interact and manipulate objects in di erent scenarios. One of these techniques is based on the fact that the robot focuses on the characteristics of the object in order to manipulate it, so an analytical model of the object is proposed in order to know (predict) its behavior. These analytical models consist of a mathematical representation with dynamic equations that describe the behavior of the object when di erent e ects are presented. In the theory to obtain an ideal description of the behavior of the object, it requires a very complex model (real model) that includes all the variables that a ect the dynamics of the object, in practice, for various reasons, these models are di cult to obtain analyticaly. In real world applications, incomplete models are used to approximate the real behavior of the object. At Arcos-Lab an object model is proposed (a box model) which is used by a humanoid robot to manipulate it in various scenarios, this model allows the robot to know (predict) the pose of the object while using it. This model of the box is an incomplete model, so the prediction of the pose presents an error. In this thesis, an error compensation system is proposed for this object pose prediction system with an incomplete object model. In the proposed solution, the sources of error of the pose prediction system are studied and a neural network model is proposed to calculate the error in the pose. With this error model it is intended not only to calculate the error value, but also to use this value to compensate the error present in the pose prediction system. The model is evaluated using cross validation with experimental data obtained with a real humanoid robot. The proposed model shows satisfactory results by decreasing the error of the pose prediction system.