Déclaration du candidat

Original: http://www.cs.cmu.edu/~me/goals.htm


(J’ai écrit cela au printemps 1997 dans le cadre de mon cas pour la reconduction du mandat/occupation à Carnegie Mellon.)
Je suis intéressé par Manipulation parce que c’est une partie intégrante de l’intelligence. « La main est le tranchant de l’esprit », dit Bronowski. Dauphins peuvent avoir des cerveaux quarante pour cent plus grande que les humains, mais ils sont incapables de leur monde de moule, et donc ils restent simples observateurs passifs. Poulpes, avec plus petites, bien que les cerveaux non négligeable, présentent un comportement intelligent hautement actif, tel qu’ils manipulent eux-mêmes et leur monde à construire des abris et d’attraper des proies. (Voir Loren Eiseley, la longue solitude, chercheur américain, 1960). Ma conclusion : afin de construire des machines intelligentes, nous devons comprendre la Manipulation.
Scientifiquement, la Manipulation est intéressante parce qu’il faut les trois ingrédients clés tout scientifiques pertinentes doivent posséder : analyse du monde, la synthèse dans le monde et la synergie technologique. Le premier composant clé de Manipulation est l’analyse et la représentation du monde physique. Des exemples comprennent la construction de modèles de frottement et des représentations géométriques par lequel on peut comprendre comment vont interagir des objets de différentes formes et propriétés des matériaux. Je trouve cela intéressant parce qu’il chatouille mon fond de mathématiques et de physique. Le deuxième élément clé de la Manipulation est robots. On teste ses modèles en renforçant les systèmes et la programmation de robots pour manipuler des objets. Les systèmes peuvent être assez vastes, y compris les planificateurs et dirigeants, les compilateurs de langage et interprètes, ainsi que toutes les questions matérielles qui entourent les robots eux-mêmes. Je trouve cela intéressant parce qu’il s’appuie sur mon expérience informatique et Intelligence artificielle. Et le troisième ingrédientclé est la technologie. Comme nous faisons des progrès dans la Manipulation, nous voyons la nécessité d’exotiques nouveaux périphériques, tels que force et capteurs tactiles, CAD outils, MEMS structures, bras non conventionnelles et dessins de la main et comme toujours, des processeurs plus rapides.
Industriellement, je prends ma motivation de la fabrication, au montage des pièces particulières. Fabrication a lentement quitté automation dure pour automatisation flexible d’usage général, mais la transition a été rude et est loin d’être terminée. Beaucoup des promesses de la fin des années 1970 n’ont pas été réalisées. Par exemple, automatisation d’usage général était censé pour faciliter un changement rapide des gammes de produits, mais au lieu de cela il a présenté d’énormes frais généraux. Robots polyvalents de haut degré de liberté sont moins fiables que les dispositifs spéciaux de faible degré de liberté. En outre, ils sont extrêmement difficiles à programmer. Il est toujours presque impossible à programmer un robot d’une façon rapide d’usage général. Par conséquent, astuces et dispositifs spéciaux dominent des gammes de produits. En tant que chercheur en robotique, mon but devrait être de comprendre pourquoi il en est ainsi et à offrir des solutions qui se déplacent le champ plus près vers l’automatisation de l’usage général.
Mon travail consiste généralement en une forte composante théorique, soutenue par les implémentations géométriques et simulations, suivies de mises en oeuvre physiques sur un bras de robot. Les armes incluent des PUMAs, zèbres et adeptes. Les domaines de tâches comprennent : saisir ; pièces de tri ; pièces orienter ; Assemblée ; prévention des collisions ; et conception de capteurs et de placement.
Trois questions clés autour duquel j’ai structuré mon Rechercher sont :
  • Quelles informations et le matériel sont nécessaires pour résoudre une tâche donnée ?
  • Ce que les tâches peuvent être résolus avec un répertoire donné d’actions ?
  • Degré de sensibilité sont des stratégies de manipulation à des hypothèses particulières sur le monde?
Je liste Mes contributions ici brièvement, élaborer sur ma dernières deux domaines de recherche et puis résumer mon travail plus âgé. Mes contributions ont été dans six domaines principaux :
  1. Modélisation de contact, y compris l’élaboration des méthodes de calcul pour la représentation de friction, pour calculer les forces et les mouvements des objets multiples en contact avec leur environnement et pour la planification des stratégies qui permettent à plusieurs robots manipuler des objets ensemble.
  2. Étude des exigences d’informations des tâches du robot, en particulier, la conception de capteurs activera la mécanique de la tâche et l’incertitude.
  3. Étude des stratégies de manipulation aléatoire.
  4. Modélisation des incertitudes, y compris les questions de planification, d’accessibilité, de reconnaissabilité.
  5. Travailler sur des pièces sans capteur orientant.
  6. Algorithmes géométriques pour le calcul des requêtes de plusieurs robots/pièces.
A. les progrès récents de
Au cours des dernières années j’ai travaillé sur les manipulations à deux mains, en particulier, deux palmiers manipulation. L’aspect novateur et difficile de ce travail est que les robots représentent et raisonner sur la manipulation d’un objet ne consiste pas seulement en le saisissant, mais en glissant une main ou d’une autre par rapport à l’objet. Ces actions sont importantes lorsqu’un humain ou un robot souhaite retourner un objet dans ses mains, ainsi que lors d’une opération de libération, dans lequel l’humain ou robot met l’objet quelque part.
Cette recherche représente ma dernière incursion dans le domaine de la « modélisation contact » ci-dessus, en se concentrant sur nonprehensile contact. J’ai créé un système dans lequel deux robots planifier et exécutent des stratégies de coopération pour la manipulation des pièces à l’aide de leurs « palms ». Le terme « palm » se réfère à l’utilisation de la surface de l’ensemble du dispositif au cours de la manipulation, par opposition à l’utilisation de seul le bout des doigts. Le terme « nonprehensile » signifie que les paumes tenir l’objet sans se drapant autour d’elle, par opposition à une prise de fermeture de force/forme souvent employée par un doigts de la main. En effet, nonprehensile spécifiquede coulissantes tenace et contraint une chute constitue les primitives de manipulation importante.
Le système se compose d’un planificateur et un cadre supérieur. En entrée, le système attend une description géométrique d’une partie, son centre de masse, le coefficients de frottement entre la partie et chacun des palmiers et une configuration de départ et le but de la partie stable en contact avec l’un des palmiers. En sortie, le système calcule et exécute une séquence de palm motions visant à réorienter la partie dès le début spécifié pour la configuration de l’objectif fixé. Le système est implémenté à l’aide de deux bras de robot de zèbre.
Dans un travail connexe, un de mes étudiants, Nina Zumel, a récemment terminé son travail de doctorat sur un autre système de deux-palm. Elle regarda une paire de palmes articulés ensemble dans une forme en « V ». Elle a exploré la mécanique de ce système à deux degrés de liberté et construit un planificateur automatique permettant de manipuler les pièces à l’aide de ces palmiers.
Ces systèmes palm sont intéressants pour deux raisons fondamentales :
Tout d’abord, scientifiquement, les systèmes palm sont autonomes et unique. Ils représentent deux cols distincts à travers le paradigme de l’analyse-synthèse-technologie citée plus haut. En particulier, les systèmes de palmar explorent un mode de manipulation utilisé par les humains et les animaux qui n’a pas été explorée dans le passé. La phase d’analyse se concentre fortement sur un aspect de ce mode, à savoir le frottement et le glissement. La phase de synthèse s’appuie des planificateurs automatiques, avec les modèles de frottement à décomposer l’espace de configuration le long des feuilles critiques. Enfin, la connexion à la technologie est donnée dans le paragraphe suivant.
Deuxièmement, en pratique, les systèmes palm offrent un aperçu de la tension entre dure automation et l’automatisation de l’usage général. Dans le passé, dessins d’engraissement partie souffrent du problème « gelé ». Trop de la mécanique de la tâche a été compilée dans matériel, sous forme de portes mangeoire fixe et orientation des formes. Cela a rendu coûteux pour rééquiper une gamme de produits, lorsque surviennent des changements de dernière minute partie. A l’autre extrême, robots polyvalents ont souffert de la trop grande généralité et trop peu de logiciels fiable. Le travail sur les manipulations de palm suggère une architecture intermédiaire, consistant en une séquence de manipulateurs très simples sous contrôle logiciel. J’envisage, par exemple, un conducteur entouré d’un tableau de composants programmables de degrés de liberté faibles. Étant donné que les configurations et les mouvements des appareils sont sous le contrôle de logiciel, et puisque les appareils sont faciles à programmer du fait d’avoir de faible degrés de liberté, des changements de dernière minute partie peuvent être logés par le conducteur avec une relative facilité.
B. renseignements exigés
Avant mon travail sur les manipulations de palm nonprehensile, je me suis concentré sur l’information. J’étais et suis désireux de comprendre les renseignements exigés des tâches de robot et la façon dont ces exigences contraignent les capacités d’un robot et guident la conception de nouveaux robots. Par exemple, à ramasser un objet, ce que le robot doit-il savoir ? Il y a une tendance de certains programmeurs de vouloir fournir le robot avec un modèle CAO élaboré de l’objet à être des propriétés, ainsi que son moment d’inertie de masse, à saisir et de frottement. Cette information semble être nécessaire, car il semble que le robot doit positionner ses doigts d’une manière qui crée la force de fermeture sur l’objet. Il y a certains endroits sur l’objet qui donnent la fermeture de force, déterminée par la forme de l’objet et les frictions entre lui et les doigts du robot. À son tour, l’objet de masse, et le moment propriétés déterminent la stabilité relative des différents tel force fermeture saisit.
Pourtant, si nous examinons la tâche d’établir une connaissance de fermeture de force soigneusement, nous voyons que très peu d’information est vraiment nécessaire. Coordonnées locales sur les doigts sont tout ce qui est nécessaire. Selon ces renseignements, les doigts peuvent exécuter une boucle de rétroaction simple qui tente de réduire l’angle entre les normales de contact, c’est-à-dire la boucle de rétroaction tente de rendre les normales à pointer vers l’autre. La convergence de cette boucle de rétroaction pour des formes simples est facile à voir ; pour des formes plus compliquées, théorèmes de topologie différentielle souvent utilisées en théorie du contrôle décrivent les cycles et les États limites de qui en résulte.
Le point clé dans cet exemple, c’est que le robot n’a pas besoin de connaître la forme entière de l’objet. Au lieu de cela, tout ce qu’il doit savoir est la forme locale sur les doigts. Les implications sont importantes. Si le robot doit connaître la forme globale de l’objet, puis il doit d’abord établir cette forme, par exemple avec un système de vision ou de l’utilisation des renseignements obtenus d’un modèle CAO. En outre, lorsque vous effectuez l’emprise réelle, le robot doit d’abord établir la pose de l’objet, puis déplacer les doigts vers les emplacements de fermeture de force appropriée. En bref, un concepteur du robot doit fournir le robot avec une certaine forme de détection global, probablement sous la forme d’un système de vision. En revanche, si le robot exige simplement la détection contact local, puis le créateur doit simplement fournir le robot avec un capteur tactile approprié. Le robot détection architecture est totalement différente.
Plusieurs des œuvres intéressantes sont sortis de cette ligne du raisonnement, dont certains très récent travaux menés actuellement par un de mes étudiants, Jia Yan-Bin.

Tout d’abord, j’ai développé une méthode pour concevoir des capteurs de la spécification de tâche d’un robot, ses actions et son incertitude contrôle automatiquement. Les capteurs fournissent précisément les renseignements exigés par le robot pour accomplir sa tâche, malgré l’incertitude de détection et de contrôle. L’idée maîtresse est de générer une stratégie pour une tâche de robot à l’aide d’un planificateur de backchaining qui suppose une détection parfaite tout en tenant soigneusement compte de l’incertitude de contrôle. Le plan qui spécifie indirectement un capteur qui raconte le robot quand exécuter l’action. Bien que le planificateur suppose que les données de télédétection parfaites, le capteur n’est pas réellement fournir une information parfaite. Au lieu de cela, le capteur fournit uniquement les informations nécessaires pour le plan de fonctionner correctement.
Pour tout problème-dans-perçage, cette méthodologie propose que les capteurs soient point équivalents à capteurs radiales. Une mise en œuvre d’un tel capteur radial a pour sens le couple qui se produit lorsque la cheville chevauche le trou ; la perpendiculaire à ce couple pointe vers le centre du trou. Exemples à saisir, la méthodologie de conception de mon capteur génère la boucle de rétroaction basée sur le contact local, sentant que j’ai décrit ci-dessus.
L’approche fondamentale est la suivante. Eu un exercice de manipulation :
  1. Déterminer, peut-être en backchaining, un arbre d’actions conditionnelles qui accomplit la tâche. Il s’agit d’une boucle de rétroaction pure, c’est-à-dire un mappage d’État à l’action. Les actions peuvent avoir des résultats incertains.
  2. Définir une mesure de progrès sur l’espace d’État qui mesure dans quelle mesure la tâche est d’achèvement, relativement au plan conditionnel just mis au point.
  3. Pour chaque action, calculer la région dans l’espace d’État au cours de laquelle l’action progresse. Ces régions sont « cônes de progrès ».
Les cônes de progrès calculés ainsi décrivent la granularité avec laquelle un capteur physique doit être capable de distinguer des États. Dans l’ordre d’une stratégie réussir, le capteur physique doit être en mesure de rendre compte de l’identité d’un ou plusieurs cônes de progrès qui contiennent l’état actuel du système, quel que soit l’état du système. En d’autres termes, les cônes de progrès décrivent la forme et la part d’incertitude dans un capteur, afin que la stratégie accomplir la tâche avec succès.
Il s’avère que cônes de progrès construit comme indiqué ci-dessus, d’un régime lui-même construit par backchaining, prouvée fondamentales pour toutes les stratégies. Précisément, si nous prenons un coup d’oeil à toute stratégie, il y a volonté des mesures d’urgence au cours de laquelle la stratégie est l’obtention d’informations, soit par le biais de détection ou d’action, qui équivaut à l’établissement de l’état du système dans un cône de progrès. En bref, cônes de progrès fournissent une description géométrique abstraite des exigences d’informations d’une tâche de robot.
Un de mes étudiants, Jia Yan-Bin, a examiné un certain nombre de problèmes de conception de capteur. Dans le travail qui a été récemment publié, nous avons abordé le problème de façon optimale plaçant des capteurs afin de reconnaître les parties planes. Ces problèmes sont intéressants dans les parties orientant. Ce travail conduit à un travail théorique intéressant, mais aussi un algorithme de pratique. Le travail théorique montre que le problème est NP-complet. Le travail pratique utilise un algorithme glouton qui est prouvée quasi-optimales. La méthode résultante peut être utilisée pour déterminer la pose d’une partie donnée tant que faire la distinction entre un ensemble de formes éventuellement distinctes.
Plus récemment, Jia Yan-Bin explore la théorie observabilité non linéaire dans le cadre de détection tactile. Cette recherche est intéressant à saisir. Par exemple, comme un doigt fait contact avec un objet, l’objet peut se déplacer. Est-il possible de récupérer la pose de l’objet, simplement à partir de l’histoire de l’évolution de l’interlocuteur sur le doigt ? La réponse est oui, pour de nombreux objets. La preuve est difficile et nécessite de se plonger dans les dérivés et les supports de mensonge. Construction d’observateurs réelles est encore plus difficile, mais a eu quelques avancées récemment Yan-Bin et maintenant a plusieurs types d’observateurs. Nous sommes très excités par les implications de ce travail. Encore une fois, le point fondamental est de construire des capteurs et des algorithmes de détection qui correspondent à la tâche. Plutôt que de passer par un système de vision à distance, il est souhaitable d’avoir le capteur co-localisé avec le processus de manipulation réelle, c’est-à-dire à la main. De plus, le capteur doit être simple. Nous savons maintenant qu’un tel capteur est possible et comprendre ses besoins informatiques.
C. passé Contributions
Un robot fait l’acquisition d’informations provenant de trois sources : détection, action et modèles internes. Une grande partie de mon travail passé a été une exploration de l’importance de ces différentes sources. Une manière de tester cette importance consiste à supprimer la source et de voir quelles capacités conserve le robot. En outre, j’ai développé des outils généraux pour représenter incertitude et contact de modélisation.
Certains de mes premiers travaux statué sur les questions de représentant l’incertitude et la construction des planificateurs issus de ces observations. L’incertitude est le principal coupable qui complique la programmation du robot. Parties ne sont pas exactement ils devraient être ; les capteurs ne sont pas assez précis pour détecter les pièces ; et le robot ne peut pas bouger avec assez de précision effectuer des assemblages de tolérance serrée. Une seule solution apparente est de rendre les mangeoires, sondes et robots plus précis, mais cela ne fonctionnera que dans une certaine mesure. L’incertitude est fondamentale. Les outils de programmation robot réussie doivent composer avec l’incertitude.
J’ai été influencé ici plus directement par la méthode preimage proposée par Lozano-Perez, Mason et Taylor en 1983. D’autres influences sont la méthode backchaining de la communauté de l’IA des années 60 et la méthodologie de programmation dynamique de la communauté de contrôle des années 50. Ces trois approches tous partagent le thème commun des premières représentant les connaissances du robot dans un espace d’état approprié, puis backchaining de l’objectif de cet espace d’État.
Dans le cas le plus simple, l’espace d’État concerné se compose des États monde pertinents pour la tâche. Par exemple, si la tâche consiste à orienter une partie et si l’information est parfaite, l’espace de l’État concerné est simplement l’espace de configuration de la partie. Toutefois, si la connaissance du robot est incertaine, la représentation de l’état deviendrait alors compliquée ; les États concernés sont maintenant des États de la connaissance, c’est qu’ils sont ensembles de primitifs États possiblespar exemple, ensembles de lieux et les orientations d’une partie plutôt que d’un emplacement unique et orientation. Selon la quantité d’informations disponibles, un état de connaissance peut également être constituée d’une distribution de probabilité qui décrit la probabilité que le robot ou la pièce est dans un état primitif.
La connectivité de l’espace des États dépend de comment le robot gagne ou perd des informations. Action et télédétection sont les mécanismes de déplacement dans l’espace d’État. Comme le robot exécute une action, l’action transforme état de connaissances actuel du robot dans un nouvel état de la connaissance. Souvent les actions augmentent l’incertitude, mais parfois ils diminuent l’incertitude. Par exemple, un robot mobile qui permet d’estimer sa position à l’aide de lestime augmentera son incertitude si il roule pendant un certain temps. L’état de connaissance peut être un disque des emplacements possibles. Comme le robot se déplace, ce disque se déplace aussi bien, mais aussi grandit en taille. En revanche, si le robot se heurte à un mur connu, alors il aura réussi à réduire son incertitude le long d’une dimensionle robot sait il est en contact avec la paroi et donc le disque se réduit à un segment de ligne des emplacements possibles. Le même principe s’applique à l’Assemblée et orientation des pièces : bien que le mouvement souvent augmente l’incertitude, contact établit des connaissances.
Caché dans l’exemple précédent sont deux autres sources d’information : détection et prédiction (c.-à-d., les modèles internes). Capteurs fournissent des informations. Ils transforment trop États de connaissance. La différence entre la détection et l’action, c’est que les capteurs présente et nœuds dans les plans. C’est parce qu’on ne saurait dire avance quelle valeur sensorielle le robot verra lors de l’exécution. La prédiction est importante tant pour interpréter les entrées sensorielles et de construire les États de la connaissance. Si un robot se heurte à un mur, ses capteurs de force peuvent aussi signaler le contact, mais le robot doit utiliser son modèle interne pour interpréter quel mur a été frappé. En d’autres termes, au-delà des informations, des informations actuelles et calcul, tout concourt à créer un état de connaissance.
Calcul des plans basés sur cet espace des États de la connaissance est très difficile. En effet, par un résultat de Canny, c’est non déterministe-exponentielle-temps-dur. Dans une large mesure la difficulté provient de l’accouplement étroit entre histoire, valeurs actuelles de la télédétection et l’action suivante à exécuter. Même apparemment simples domaines sont difficiles. Par exemple, considérez la tâche de l’insertion d’une fiche à trois broches sur une prise. Maintenant, ne regardez pas à la sortie. Chaque fois que le bouchon fait contact avec la prise de courant, un grand nombre d’informations est retransmis à notre cerveau par l’intermédiaire de notre main. Et pourtant, il est facile de mal interpréter cette information, plutôt tâtonner pendant un bon moment avant de brancher la fiche. Assemblée de robot moderne est analogue à celui de tâtonnement. J’ai, comme beaucoup de mes collègues qui ont travaillé sur l’incertitude, ont tenté de comprendre les astuces informatiques qui permettent à un robot comprendre correctement les informations qu’il reçoit et donc à réduire le tâtonnement.
C.1. Reconnaissabilité et accessibilité 
Une de mes premières contributions était à démêler la connexion entre la détection, l’histoire et action. J’ai introduit les notions d’accessibilité et d’identification, et des plans ont montré comment preimage pour de nombreuses tâches pourraient être calculées en tenant compte de manière indépendante l’accessibilité et la reconnaissabilité de l’objectif. Bien sûr, une telle approche réduit certains de la puissance de la planification à l’incertitude. En substance, on considère seulement des plans dont l’exécution ne repose pas sur des interprétations subtiles des capteurs. Pourtant, en séparant l’accessibilité et la reconnaissabilité, plan calcul est beaucoup plus facile — en effet, on peut actionner en l’espace d’État sous-jacent du robot, pas dans son espace de connaissances plus complexe. Ce travail a commencé plusieurs années de travail connexe au MIT, Stanford, Cornell et Berkeley. Dans le cadre de ce travail, j’ai introduit l’idée de RETROPROJECTIONune rétroprojection encode tout simplement l’accessibilité d’un objectif résultant d’une action donnée. Un des mes implémentations de RETROPROJECTION a suggéré que la stratégie de basculement d’une cheville avant de l’insérer dans un trou fonctionnerait mieux si la cheville ont été inclinée dans la direction opposée de la direction couramment utilisée à l’époque.
C.2. Manipulation sans capteur
Si on supprime la télédétection comme source de renseignements, le robot doit s’appuyer fortement sur l’action et la prévision. Matt Mason et j’ai étudié les implications de la manipulation sans capteur dans notre travail sur pièces orienter à l’aide d’un basculeur de plateau. Nous avons appris un certain nombre de choses de ce travail. Tout d’abord, action combinée avec la prédiction peut fournir une énorme quantité d’informations ; Il est possible, sans capteurs, d’orienter et de positionner une partie dont la configuration initiale est complètement inconnue (dans certaines région délimitée) entièrement. Deuxièmement, avant de construire un système sans capteur, il faut analyser les dynamiques du domaine soigneusement assez que le pouvoir prédictif de l’urbaniste robot peut détecter les actes produisant des informations. Prédiction n’a pas besoin d’être précis ; en revanche, l’imprécision ne peut être si grand qu’elle cacher l’effet des mesures qui réduisent l’incertitude. Troisièmement, il y a un compromis entre la détection et l’action. Dans les exemples pathologiques, ce compromis est exponentielle de la taille de l’incertitude, c’est-à-dire un nombre exponentiel d’actions peut-être devoir atteindre la certitude même envoyée par un capteur. Dans des exemples pratiques, toutefois, le coût d’obtention des informations d’action semble être une petite fonction polynomiale de l’incertitude. Par exemple, pour orienter une clé Allen avec 24 États stables dans la zone de notification, la profondeur de recherche de l’arborescence de la planification a été 9 plis. Ainsi, du point de vue de l’exécution, sentant que parfait était « valeur » des 9 actions. Bien sûr, trouver cette courte séquence de 9 actions pourrait encore être coûteux. Heureusement, dans une perspective de planification, Il s’est avéré que l’arbre n’était pas très touffue.
C.3. Randomisation
Dans d’autres travaux, j’ai enlevé un autre jambe du trépied de la télédétection-action-prédiction, à savoir la jambe de la prédiction. Ce qui reste une fois la détection et la prévision ont été supprimées comme sources d’information ? La réponse est la randomisation ; le robot peut faire des mouvements aléatoires jusqu’à ce qu’il atteigne le but. En fait, sans détection ni prédiction le robot peut jamais savoir qu’il a atteint son objectif. Il est donc important de permettre à certains de détection, à savoir juste suffisamment pour que le robot peut vérifier s’il a terminé sa tâche. Stratégies aléatoires sont intéressants car ils montrent ce qu’un robot peut accomplir sans aucune information du monde. Plus important encore, l’étude des stratégies aléatoires nous dit de la quantité d’informations supplémentaire est nécessaire afin de faire une tâche résoluble plus rapidement. En ce sens, étudier les stratégies aléatoires est semblable à l’étude du comportement des marches aléatoires sur les graphes.
Une technique utile consiste à couvrir l’espace d’état de la tâche avec une mesure de progrès. Une mesure de progrès est tout simplement une fonction continue non négatif qui est nulle à l’objectif. Comme une mesure de la qualité d’une stratégie aléatoire, je me suis concentré sur la vitesse de progression locale de la marche aléatoire à chaque État, ainsi que le temps total pour atteindre l’objectif. Le domaine a été Assemblée des parties, c’est-à-dire des tâches comme-dans-perçage insertion. Les observations intéressantes s’est posée une fois que j’ai réintroduit la télédétection, peu à peu, juste assez pour que les stratégies peuvent parfois faire utiliser des données des télédétection, mais les autres fois devaient recourir à marches aléatoires. Les données produites par ce processus de détection-dribble décrit un compromis entre les données de télédétection et des temps de convergence de tâche.
Un de mes observations était que robots avec capteurs bruyants avaient tendance à travailler mieux que les robots avec des capteurs très bons. Mon explication de ce phénomène est que les capteurs bruyants provoquent une boucle de rétroaction du robot se comporte un peu comme une stratégie aléatoire ! Bien sûr, à l’aide de la télédétection errorful pour atteindre l’objectif semble un peu en arrière, alors laissez-moi vous expliquer pourquoi les stratégies aléatoires sont utiles en premier lieu. Si les modèles du monde sont parfaits, puis stratégies aléatoires sont inutiles. Mais les modèles sont imparfaits. Pièces sont usinées pas correctement, les assemblages d’éléments de tordent légèrement hors de l’alignement et ainsi de suite. Il y a toujours des différences entre d’un robot modèle interne et la réalité. Nous pourrions espérer de reconnaître ces erreurs à l’aide de la télédétection. C’est souvent impossible, parce que les capteurs ont trop d’erreurs. Généralement, ces erreurs peuvent être modélisés par deux termes, un terme de polarisation fixe et un terme de bruit superposées. Le bruit superposé peut être enlevé avec un filtre de Kalman—vraiment qu’une application du théorème Central limite. L’erreur restante est un biais fixe dans le capteur. Voir très bons capteurs auront ce problème de partialité. C’est en fait le reflet de la même divergence entre la réalité et le modèle interne du robot et donc ne peuvent pas être enlevé ! Penser que c’est une erreur de calibrage fondamental, ou état masqué ou un terme inconnu de DC, ou quel que soit l’expression logique. Parce que c’est un biais inconnu, il est très difficile à détecter, sauf peut-être par des échecs répétés des stratégies du robot. Randomisation est utile pour contourner cette partialité. En effet, randomisation trouve un moyen pour le but au-delà de toute barrière le biais inconnu a créé, beaucoup comme une marche aléatoire sur un graphe trouvera son chemin à un État désiré sans savoir la connectivité du graphique explicitement. Par conséquent, face à la détection des erreurs, une bonne stratégie emploie tout d’abord un filtre de Kalman-like pour éliminer le bruit du capteur, ainsi extraire de la sonde toutes les informations qu’il peut offrir. Deuxièmement, afin de surmonter la polarisation fixe dans le capteur, le robot rend aléatoire de ses mouvements. La question du moment au hasard est une fonction compliquée des propriétés tâche et capteur, dont je ne vais pas expliquer ici.
Dans la pratique, la randomisation donne opérations familiers : branlement une tête arroseuse jusqu’à ce qu’il se glisse en place ; poussant un tiroir de bureau en arrière de la débloquer secouant un plateau d’argenterie pour les cuillères s’alignent dans l’autre ; engrenages virevoltantes donc ils s’articulent plus facilement ; secouant un plateau contenant des parties et des dépressions spéciales jusqu’à ce que les parties sont totalement orientés dans les dépressions ; filtrage via un chargeur bol d’orienter les pièces ; en tapant sur un segment de mur, coincé entre le plafond et les poutres de plancher afin d’aligner le mur correctement ; et ainsi de suite.
C.4. Coordonner plusieurs Robots
Avec Tomas Lozano-Perez, j’ai examiné le problème de coordonner le mouvement de plusieurs robots. Nous avons développé des planificateurs pratiques qui pourraient coordonner les mouvements de nombreux objets. En général, le problème de la planification les mouvements de plusieurs objets requiert calcul exponentielle du nombre d’objets. Nous avons contourné ce problème en résolvant une série de problèmes dans l’espace-temps de la configuration de la planification de mouvement. Les objets sont assignés les priorités de planification, puis des requêtes sont prévus pour chaque objet à son tour. Les priorités sont spécifiées pour fins de planification seulement ; priorisation ne signifie pas qu’un objet dont le mouvement a été prévu d’abord nécessairement contrôle la tâche. Plan d’une donnée de l’objet respecte toutes les contraintes (éventuellement instationnaire) imposées par des obstacles fixes dans l’environnement et par le déplacement d’objets dont les propositions ont déjà été planifiées. Il y a quelques subtilités à la recherche d’espace-temps de configuration, mais, essentiellement, espace-temps représente des contraintes beaucoup comme le ferait un espace régulier temps-invariant configuration. Cette approche ne peut pas résoudre tous les problèmes de coordination, car il projette le problème initial sur une série de problèmes plus simples. Néanmoins, à l’exception de problèmes qui les objets doivent s’acquitter les échanges dans les passages serrés, cette approche a fonctionné très bien.
C.5 Un cône de Friction Configuration spatiale
J’ai développé un cône de friction généralisée pour représenter les objets planaires en contact, lorsque les objets peuvent traduire et faire pivoter. Cette représentation automatise la prédiction des requêtes d’objet donné une description des forces et des contacts en agissant sur les objets. L’approche peut gérer plusieurs contacts ainsi que la dynamique newtonienne complet. Le frottement généralisé au cône également rend explicite diverses ambiguïtés et incohérences pouvant survenir avec la mécanique newtonienne et frottement de Coulomb.

J’ai d’abord travaillé sur cette représentation plus de dix ans. Au moment où j’ai été incapable de localiser toute représentation complète de friction ; la plupart des travaux en robotique était fabriqués à la main à la tâche particulière à accomplir et inclus les hypothèses telles que des approximations de petit angle simplificatrices. Entre-temps, un certain nombre d’approches existe. Parmi ceux-ci, l’approche de centre d’accélération de Mason et Brost est probablement le meilleur. D’autres qui ont travaillé récemment dans ce domaine incluent Goyal, Nguyen, Peshkin, Trinkle, Cutkosky et Baraff.
Le cône de friction généralisée a fourni l’outil d’analyse de base pour le planificateur de plateau-inclinaison mentionné plus tôt. Elle était aussi un contrôle de santé mentale pour les décompositions de friction construit par d’autres moyens dans mes travaux plus récents sur les manipulations de deux palmiers.
D. L‘éducation
J’ai contribué à l’éducation à la fois le premier cycle et aux cycles supérieurs. En outre, j’ai essayé de combler les besoins que j’ai perçu dans les programmes existants.
J’ai commencé trois cours, à savoir le cours de « Mathématiques fondamentaux » en robotique, le cours « Introduction à la géométrie » en informatique et, avec Matt Mason, le cours du “Premier cyclelaboratoire de Manipulation”. Le cours de Math est une enquête sur les techniques numériques utiles, largement utilisées dans les sciences appliquées. Les sujets comprennent l’interpolation, rapprochement, techniques d’algèbre linéaire comme la décomposition en valeurs singulières, de recherche de racine, de solutions numériques pour les équations différentielles, optimisation et calcul des Variations. D’une année à l’autre, j’ajoute quelques autres sujets, tels que Markov Chains et polynôme résultantes. Le but du cours est de fournir une compréhension de base des techniques numériques pour tous les étudiants de la robotique. Chaque étudiant prépare également un bref rapport sur un sujet spécialisé, dont des exemplaires sont remis dans la classe. Les élèves semblent apprécier le parcours et le travail dur.
Le cours de géométrie visait à répondre aux besoins de premier cycle et des étudiants diplômés, en particulier à fournir des techniques pour traiter les problèmes géométriques abstraitement et par le calcul. Géométrie semble être un sujet qui n’est pas très soigneusement enseigné au niveau secondaire, au-delà peut-être la géométrie plane. Pourtant, la géométrie constitue le cœur de nombreuses techniques en vision et robotique. Le couplage entre la géométrie et algèbre et entre la géométrie et l’analyse est donc très serré, que cela semble être une honte. Par conséquent, je consacre environ la moitié du semestre à base de géométrie différentielle. Dans un sens très précis, les sujets sont vraiment des généralisations de calcul standard, mais maintenant à des dimensions supérieures, aux courbes et aux surfaces. Bien sûr, l’idée des formes différentielles est probablement nouveau sur presque tout le monde. Nous couvrons également la courbure, de torsion, de formes fondamentales.
La seconde moitié du cours est consacrée à la géométrie algorithmique. Nous couvrons la plupart des techniques de base, tels que les algorithmes de la requête, des algorithmes de convexe, algorithmes de proximité (diagrammes de Voronoï) et plan-coupe-bise. Dans la seconde moitié du cours, l’accent est sur des implémentations. Nous discutons également des complexités et des structures de données différentes, afin que les étudiants obtenir certains se sentent pour les compromis qui existent entre différentes approches informatiques pour le même problème géométrique. Encore une fois, ce sont des techniques assez fondamentales, qui n’ont pas été précédemment enseignés de façon systématique et cohérente.
Le cours de géométrie attire généralement environ un tiers des diplômés de premier cycle et deux-tiers. Travail à domicile se compose d’un travail théorique et un certain nombre de mises en œuvre. En outre, les étudiants diplômés sont tenus de faire un projet à terme. J’étais un peu inquiet que les étudiants diplômés seraient des marais sur les étudiants de premier cycle. J’ai toujours ce souci, mais il a été un peu amélioré. Participation de la classe par les étudiants de premier cycle a été bonne. Aussi, j’ai entendu à partir de certains de mes anciens étudiants, qui déclarent à l’aide de certaines des techniques de géométrie algorithmique dans leur emploi actuel.
Le cours de laboratoire est conçu pour donner à des étudiants de premier cycle avancés l’occasion de travailler avec l’équipement robotique de pointe. Avec des fonds dédiés de programme ILI DUE de NSF et des fonds de contrepartie de l’Institut de robotique, nous avons acquis une machine robotique de ADEPT/GENEX mangeoire souple, un système avancé de Orientation pièces de SONY et un deuxième système adepte de bras et de la vision. Les élèves travaillent assez indépendamment sur de petits projets. A ce jour, nous avons vu un large éventail de projets, y compris un trieur de puce, un sculpteur de mousse, un joueur de golf, un assembleur de Lego et calligraphie robotique.
Enfin, j’ai contribué aux études prédoctorales à un niveau plus personnel en informant les étudiants travaillant dans le laboratoire de Manipulation sur différents projets de recherche. Le plus excitant de ces interactions ont été avec Michael Leventon, qui nous visitait de l’Université Cornell, et Craig Johnson, qui m’ont aidé avec la mise en œuvre du système de palmiers.
E. Plans d’avenir d’e.
E.1. Recherche
Je m’approche de mes objectifs de recherche avec la conviction que les robots autonomes présentant des performances humaines-niveau sont plusieurs centaines d’années au large dans l’avenir. Par conséquent, je crois que mon effort actuel devrait être d’explorer les différentes formes de manipulation, de détection et un raisonnement de simple domaines bien que réalistes et bien définis. Cette exploration vise à découvrir des principes généraux sur lesquels les robots peuvent être construits. Mon jeu actuel des tâches motivantes est en grande partie tirée de sources industrielles. Les tâches typiques incluent partie d’insertion, partie Assemblée, orientant de la partie, partie positionnement et reconnaissance de la partie. J’espère que mon exploration de ces tâches conduira à des algorithmes améliorés industrielles et améliorer la conception de robots pour des applications pratiques. Avant tout, je vois mon travail comme une obligation de poser des questions fondamentales et de fournir un forum d’autres peuvent explorer les réponses à ces questions avec moi. Les directions de recherche décrites ci-dessus, à savoir pour explorer les renseignements exigés des tâches de robot et de comprendre les mécanismes de base de manipulation, ont été et continuent d’être ma meilleure estimation actuelle des directions d’enquête le long de laquelle toutes les questions fondamentales de la robotique se produisent naturellement.
Questions de recherches futures spécifiques comprennent :
Manipulation en trois dimensions. La plupart des stratégies de manipulation sont planes, autrement dit, ils traitent les trois degrés de liberté. La manipulation des objets tridimensionnels exige raisonnement dans des espaces avec six degrés de liberté. Alors que certains résultats théoriques existent le long de ces lignes, il n’y a essentiellement aucune systèmes automatisés pour la manipulation des objets tridimensionnels. Nous voyons maintenant lentement les signes que la communauté robotique se tourne dans ce sens. Un de mes étudiants, Mark Moll, et j’ai même également étudier les stratégies de manipulation en trois dimensions. Encore une fois, prendre nos repère de l’industrie, nous cherchons à orienteurs de pièces pour les objets non plane. Notre stratégie actuelle consiste à utiliser des techniques probabilistes. Cela rejoint bien avec mes recherches antérieures sur des algorithmes randomisés robotiques.
Méthodes de Manipulation. Comme je le disais, plus de l’utilisation du robot bras forcer fermeture saisit pour déplacer les pièces. Pourtant, une grande partie est à gagner en exploitant les emprises non conventionnelles. Les systèmes palmaire décrites ci-dessus sont deux exemples. J’explore actuellement des formes plus exotiques de la manipulation. Une des leçons qui sort de mon travail sur l’incertitude et d’information, est la nécessité de faire correspondre des stratégies à la tâche. Cela semble tellement évident, mais il est très difficile. La plupart des stratégies de manipulation sont très cassants, principalement parce que les hypothèses formulées au cours de la phase d’analyse ne sont pas satisfaisante, et donc les stratégies ne sont pas réglés correctement aux besoins de la tâche. Les stratégies qui ne sont pas fragiles ont tendance à être ceux qui essaie de ne pas savoir trop de choses sur le monde. Il est préférable de laisser la nature s’occupe de la mécanique, que d’essayer de régler la mécanique activement. Par exemple, pour déplacer un objet, il est plus facile de les entourer d’une boîte, puis déplacer la boîte, que c’est de saisir et de déplacer l’objet précisément. Selon moi, que le même principe se prolonge à la conception mécanique. L’ancien gardé se déplace, stratégies de requête conforme, conforme passivement aux poignets, etc., sont autant d’exemples de ce principe. Appliqué à la Manipulation, je crois que le principe suggère que nous construisons des doigts qui sont très compatibles, dont trouve automatiquement la forme de l’objet. Nous devons donc seulement vous inquiétez pas sur le déplacement des doigts, pas sur l’interaction détaillée entre les doigts et l’objet. Manipulation des objets avec les doigts de saran-wrap est mon thème actuel.
E.2. Education
Bonnes idées devraient être présentées dans la salle de classe. Nouvelles bonnes idées devraient être présentées et disséquées en séminaires de troisième cycles. Les idées qui ont résisté à l’épreuve du temps un peu devraient être enseignées aux étudiants de premier cycle. Cet objectif a été une des motivations pour le cours de laboratoire de Manipulation de premier cycle. Je voudrais élargir le rôle de ce cours. Dès maintenant, une des difficultés sont que les étudiants ne sont pas préparés suffisamment suivre le cours jusqu’à ce qu’ils sont des personnes âgées. Je pense que c’est principalement un problème de synchronisation. Je tiens à mettre l’équipement à la disposition de beaucoup plus jeunes élèves, étudiants de deuxième année ou juniors. Je peux expérimenter avec cette idée à l’avenir, peut-être en rendant l’équipement disponible pour le cours actuel de la manipulation de premier cycle (CS384) pour des projets avancés.
Je voudrais introduire une géométrie dans les cours d’informatique introduction, dire en CS212. Lorsque j’ai enseigné le cours dans le passé, je me suis concentré sur les questions d’architecture informatique en montrant les élèves de leurs cours de structure de l’analyse, calculabilité et données des applications. Je pense qu’il y a une foule d’autres applications là-bas qui est de plus en plus importante. Les résultats géométriques plus simples, comme l’enveloppe convexe, sont certaines de ces derniers.

Comments are closed.