Aprendizaje de movimientos en un robot humanoide por medio de imitación

Rey Ramírez, Andrea Catalina; Ruiz Ruiz, Alison Gissell

View/Open

2020andrearey.pdf (Trabajo de Grado) (4.785Mb)

Date

2020-09-17

TY - GEN T1 - Aprendizaje de movimientos en un robot humanoide por medio de imitación UR - http://hdl.handle.net/11634/29867 PB - Universidad Santo Tomás AB - El proyecto de grado titulado Aprendizaje de movimientos en un robot humanoide por medio de imitación implementa algoritmos de aprendizaje supervisado, proporcionando a un robot la capacidad de identificar movimientos realizado en las extremidades superiores por una persona y replicarlos. Se evalúa, además, el desempeño cuantitativo de las arquitecturas implementadas. Para desarrollar el aprendizaje de movimientos se selecciona una plataforma robótica llamada Poppy Torso, correspondiente a un proyecto de código abierto. Se construye este robot por medio de impresión 3D de las piezas y su posterior ensamblaje. Dicho desarrollo contiene además la descripción virtual del robot, lo cual permite realizar simulación en herramientas como Rviz. El desarrollo del proyecto se divide en dos etapas: la primera de ellas consiste en lograr la clasificación de los movimientos humanos. Por esta razón, se crea un dataset de videos RGB-D (RGB más profundidad), que contiene movimientos de las extremidades superiores, realizados por un grupo de personas con características diferentes. Empleando un modelo extractor de poses, se extrae la ubicación espacial de las articulaciones, que sirve como entrada a una red neuronal recurrente (RNN-many to one) y una SVM (Support Vector Machine). Se evalúa el desempeño de estos algoritmos por medio de matrices de confusión. La segunda etapa consiste en un problema de regresión que se basa en replicar la ejecución del movimiento en el robot. Debido a esto, se crea un dataset que contiene las trayectorias de ángulos que toma cada motor, para que el robot desplace sus articulaciones de un punto aleatorio a uno definido. Para el aprendizaje supervisado se implementa una red neuronal recurrente (RNN-one to many), capaz de predecir las trayectorias de cada una de las articulaciones del robot para llegar a un punto objetivo. Los algoritmos de clasificación se evalúan por medio de matrices de confusión, donde se obtienen precisiones de 97\% en el caso de la SVM y 92% para la RNN. Por otro lado, el algoritmo de regresión se evalúa con error de posición final, donde se obtienen errores entre 9.32 x 10^(-8) y 4.21x 10^(-3) radianes respecto a la posición objetivo. Por el valor de estas métricas y el comportamiento de los algoritmos al predecir, se puede concluir que el aprendizaje en los algoritmos de clasificación y regresión se desarrolla adecuadamente, cumpliendo con los objetivos propuestos. ER - @misc{11634_29867, author = {}, title = {Aprendizaje de movimientos en un robot humanoide por medio de imitación}, year = {}, abstract = {El proyecto de grado titulado Aprendizaje de movimientos en un robot humanoide por medio de imitación implementa algoritmos de aprendizaje supervisado, proporcionando a un robot la capacidad de identificar movimientos realizado en las extremidades superiores por una persona y replicarlos. Se evalúa, además, el desempeño cuantitativo de las arquitecturas implementadas. Para desarrollar el aprendizaje de movimientos se selecciona una plataforma robótica llamada Poppy Torso, correspondiente a un proyecto de código abierto. Se construye este robot por medio de impresión 3D de las piezas y su posterior ensamblaje. Dicho desarrollo contiene además la descripción virtual del robot, lo cual permite realizar simulación en herramientas como Rviz. El desarrollo del proyecto se divide en dos etapas: la primera de ellas consiste en lograr la clasificación de los movimientos humanos. Por esta razón, se crea un dataset de videos RGB-D (RGB más profundidad), que contiene movimientos de las extremidades superiores, realizados por un grupo de personas con características diferentes. Empleando un modelo extractor de poses, se extrae la ubicación espacial de las articulaciones, que sirve como entrada a una red neuronal recurrente (RNN-many to one) y una SVM (Support Vector Machine). Se evalúa el desempeño de estos algoritmos por medio de matrices de confusión. La segunda etapa consiste en un problema de regresión que se basa en replicar la ejecución del movimiento en el robot. Debido a esto, se crea un dataset que contiene las trayectorias de ángulos que toma cada motor, para que el robot desplace sus articulaciones de un punto aleatorio a uno definido. Para el aprendizaje supervisado se implementa una red neuronal recurrente (RNN-one to many), capaz de predecir las trayectorias de cada una de las articulaciones del robot para llegar a un punto objetivo. Los algoritmos de clasificación se evalúan por medio de matrices de confusión, donde se obtienen precisiones de 97\% en el caso de la SVM y 92% para la RNN. Por otro lado, el algoritmo de regresión se evalúa con error de posición final, donde se obtienen errores entre 9.32 x 10^(-8) y 4.21x 10^(-3) radianes respecto a la posición objetivo. Por el valor de estas métricas y el comportamiento de los algoritmos al predecir, se puede concluir que el aprendizaje en los algoritmos de clasificación y regresión se desarrolla adecuadamente, cumpliendo con los objetivos propuestos.}, url = {http://hdl.handle.net/11634/29867} }RT Generic T1 Aprendizaje de movimientos en un robot humanoide por medio de imitación LK http://hdl.handle.net/11634/29867 PB Universidad Santo Tomás AB El proyecto de grado titulado Aprendizaje de movimientos en un robot humanoide por medio de imitación implementa algoritmos de aprendizaje supervisado, proporcionando a un robot la capacidad de identificar movimientos realizado en las extremidades superiores por una persona y replicarlos. Se evalúa, además, el desempeño cuantitativo de las arquitecturas implementadas. Para desarrollar el aprendizaje de movimientos se selecciona una plataforma robótica llamada Poppy Torso, correspondiente a un proyecto de código abierto. Se construye este robot por medio de impresión 3D de las piezas y su posterior ensamblaje. Dicho desarrollo contiene además la descripción virtual del robot, lo cual permite realizar simulación en herramientas como Rviz. El desarrollo del proyecto se divide en dos etapas: la primera de ellas consiste en lograr la clasificación de los movimientos humanos. Por esta razón, se crea un dataset de videos RGB-D (RGB más profundidad), que contiene movimientos de las extremidades superiores, realizados por un grupo de personas con características diferentes. Empleando un modelo extractor de poses, se extrae la ubicación espacial de las articulaciones, que sirve como entrada a una red neuronal recurrente (RNN-many to one) y una SVM (Support Vector Machine). Se evalúa el desempeño de estos algoritmos por medio de matrices de confusión. La segunda etapa consiste en un problema de regresión que se basa en replicar la ejecución del movimiento en el robot. Debido a esto, se crea un dataset que contiene las trayectorias de ángulos que toma cada motor, para que el robot desplace sus articulaciones de un punto aleatorio a uno definido. Para el aprendizaje supervisado se implementa una red neuronal recurrente (RNN-one to many), capaz de predecir las trayectorias de cada una de las articulaciones del robot para llegar a un punto objetivo. Los algoritmos de clasificación se evalúan por medio de matrices de confusión, donde se obtienen precisiones de 97\% en el caso de la SVM y 92% para la RNN. Por otro lado, el algoritmo de regresión se evalúa con error de posición final, donde se obtienen errores entre 9.32 x 10^(-8) y 4.21x 10^(-3) radianes respecto a la posición objetivo. Por el valor de estas métricas y el comportamiento de los algoritmos al predecir, se puede concluir que el aprendizaje en los algoritmos de clasificación y regresión se desarrolla adecuadamente, cumpliendo con los objetivos propuestos. OL Spanish (121)

Gestores bibliográficos

Refworks

Zotero

BibTeX

CiteULike

Aprendizaje de movimientos en un robot humanoide por medio de imitación

Metadata

Show full item record

Collections

Pregrado Ingeniería Electrónica [316]

Cita

Generar cita

Abstract

El proyecto de grado titulado Aprendizaje de movimientos en un robot humanoide por medio de imitación implementa algoritmos de aprendizaje supervisado, proporcionando a un robot la capacidad de identificar movimientos realizado en las extremidades superiores por una persona y replicarlos. Se evalúa, además, el desempeño cuantitativo de las arquitecturas implementadas. Para desarrollar el aprendizaje de movimientos se selecciona una plataforma robótica llamada Poppy Torso, correspondiente a un proyecto de código abierto. Se construye este robot por medio de impresión 3D de las piezas y su posterior ensamblaje. Dicho desarrollo contiene además la descripción virtual del robot, lo cual permite realizar simulación en herramientas como Rviz. El desarrollo del proyecto se divide en dos etapas: la primera de ellas consiste en lograr la clasificación de los movimientos humanos. Por esta razón, se crea un dataset de videos RGB-D (RGB más profundidad), que contiene movimientos de las extremidades superiores, realizados por un grupo de personas con características diferentes. Empleando un modelo extractor de poses, se extrae la ubicación espacial de las articulaciones, que sirve como entrada a una red neuronal recurrente (RNN-many to one) y una SVM (Support Vector Machine). Se evalúa el desempeño de estos algoritmos por medio de matrices de confusión. La segunda etapa consiste en un problema de regresión que se basa en replicar la ejecución del movimiento en el robot. Debido a esto, se crea un dataset que contiene las trayectorias de ángulos que toma cada motor, para que el robot desplace sus articulaciones de un punto aleatorio a uno definido. Para el aprendizaje supervisado se implementa una red neuronal recurrente (RNN-one to many), capaz de predecir las trayectorias de cada una de las articulaciones del robot para llegar a un punto objetivo. Los algoritmos de clasificación se evalúan por medio de matrices de confusión, donde se obtienen precisiones de 97\% en el caso de la SVM y 92% para la RNN. Por otro lado, el algoritmo de regresión se evalúa con error de posición final, donde se obtienen errores entre 9.32 x 10^(-8) y 4.21x 10^(-3) radianes respecto a la posición objetivo. Por el valor de estas métricas y el comportamiento de los algoritmos al predecir, se puede concluir que el aprendizaje en los algoritmos de clasificación y regresión se desarrolla adecuadamente, cumpliendo con los objetivos propuestos.

Abstract

The degree project titled Learning movements in a humanoid robot through imitation implements supervised learning algorithms, providing a robot with the ability to identify movements made in the upper limbs by a person and replicate them. The quantitative performance of the implemented architectures is also evaluated. To develop movement learning, a robotic platform called Poppy Torso is selected, corresponding to an open source project. This robot is built by means of 3D printing of the parts and their subsequent assembly. This development also contains the virtual description of the robot, which allows simulation in tools such as Rviz. The development of the project is divided into two stages: the first of them consists of achieving the classification of human movements. For this reason, an RGB-D (RGB plus depth) video dataset is created, containing movements of the upper limbs, performed by a group of people with different characteristics. Using a pose extractor model, the spatial location of the joints is extracted, which serves as input to a recurrent neural network (RNN-many to one) and an SVM (Support Vector Machine). The performance of these algorithms is evaluated by means of confusion matrices. The second stage consists of a regression problem that is based on replicating the execution of the movement in the robot. Due to this, a dataset is created that contains the trajectories of angles that each motor takes, so that the robot moves its joints from a random point to a defined one. For supervised learning, a recurrent neural network (RNN-one to many) is implemented, capable of predicting the trajectories of each of the robot's joints to reach a target point. The classification algorithms are evaluated by means of confusion matrices, where accuracies of 97 \% are obtained for the SVM and 92% for the RNN. On the other hand, the regression algorithm is evaluated with final position error, where errors between 9.32 x 10 ^ (- 8) and 4.21x 10 ^ (- 3) radians are obtained with respect to the target position. Due to the value of these metrics and the behavior of the algorithms when predicting, it can be concluded that the learning in the classification and regression algorithms develops adequately, fulfilling the proposed objectives.

PDF Documents

Estadísticas Google Analytics

xmlui.custom.comments.form-panel-heading

The following license files are associated with this item:

Creative Commons

Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 2.5 Colombia

Indexado por: