EJEMPLO DE APLICACIÓN

Transcripción

1 Aprendzaje Automátco y Data Mnng Bloque VI EJEMPLO DE APLICACIÓN 1

2 Índce Problema a resolver. Propuesta de uso de aprendzaje. Algortmo desarrollado. Seleccón del clasfcador. Resultados expermentales. Entorno de smulacón. Montaje expermental. 2

3 PROBLEMA A RESOLVER 3

4 Problema a resolver (I) Agarre de pezas medante robots. El objetvo es que un robot sea capaz de determnar el mejor modo de agarrar un objeto cualquera. Este problema podría ser resuelto sn utlzar aprendzaje automátco. No obstante, utlzar aprendzaje puede ofrecer ventajas. Se ntentará que el robot extraga reglas de agarre a partr de ejemplos dados por el usuaro. 4

5 Problema a resolver (II) 5

6 Problema a resolver (III) Objetvo: Cálculo del agarre óptmo para un objeto, dados un brazo robot y una pnza. SENSORES ROBOT Condconantes: Sólo se conoce la nformacón proporconada por los sensores (no un modelo 3D del objeto). El agarre se debe defnr completamente: Puntos de contacto. Confguracón brazo y pnza (normalmente exste redundanca). PINZA OBJETO 6

7 Problema a resolver (IV) Robot y pnza genércos: Brazo robot de m grados de lbertad. Pnza de n dedos cada uno de ellos con m grados de lbertad. q m q 2 q 11 q 21 q 1 q 1m1 q 2m2 q n1 q nmn 7

8 PROPUESTA DE USO DE APRENDIZAJE 8

9 Propuesta aprendzaje (I) Se dspone de ejemplos de agarre realzados por el usuaro en teleoperacón. La caldad de un nuevo agarre equvale a su smltud a los ejemplos. La smltud se calcula a partr de datos locales y globales. Datos locales: afectan a cada punto de contacto por separado (ej. curvatura). Datos globales: ndcan la stuacón relatva de los puntos de contacto (ej. cerre de fuerza o force closure). 9

10 Propuesta aprendzaje (II) Datos locales (referdos a cada punto de contacto): Dstanca al centro de gravedad. Medda multrresolucón de la curvatura 2D o 3D. Datos globales (referdos al conjunto de todos los puntos de contacto): Se establece un punto de referenca: el centro del espaco convexo defndo por el conjunto de los puntos de contacto. A partr de él se obtenen 2 meddas: Dstanca desde el punto de referenca al centro de gravedad de la peza (permte dstngur los agarres centrados de los que no lo son). Medda multrresolucón del ángulo formado por la normal a la superfce en el punto de contacto y la línea drgda haca el punto de referenca (guarda relacón con el cumplmento de la condcón de cerre de fuerza o force closure). 10

11 Propuesta aprendzaje (III) Por qué se separan las meddas locales y globales? Permte reducr el tempo de cómputo: Prmera fase: se estudan los puntos de la superfce utlzando atrbutos locales. Segunda fase: se estudan sólo las posbles combnacones de puntos váldos utlzando atrbutos globales. Resultado: reduccón de tempo de cómputo muy elevada, partcularmente en el caso de pnzas de múltples dedos. r reducc z z n Permte que el sstema de síntess de agarres propuesto sea más genérco: Váldo para dferentes pnzas. Váldo para dferentes tpos de nformacón sensoral. 11

12 Propuesta aprendzaje (IV) Por qué se utlzan meddas multrresolucón? Certos atrbutos ofrecen nformacón dependente de la resolucón: Atrbutos de dstanca: convergen haca un valor al aumentar la resolucón: basta con elegr la máxma resolucón dsponble. Atrbutos angulares (concavdades, dreccones de la normal a la superfce en el punto de contacto, etc.): no convergen al aumentar la resolucón. Utlzar meddas multrresolucón permte dferencar agarres que de otro modo serían ndstngubles. (a) (b) 12

13 Propuesta aprendzaje (V) Convergenca de una medda de dstanca: p c.d.g. dstanca [mm] p c.d.g p c.d.g. 1 / resolucón [mm] -1 13

14 Propuesta aprendzaje (VI) No convergenca de una medda angular: α α ángulo [rad] 2*p Zona cóncava p α Zona convexa 0 α / resolucón [mm] -1 14

15 ALGORITMO 15

16 Algortmo (I) La síntess de un agarre se realza en cuatro etapas: 1. Fltrado de los puntos de la superfce del objeto. F k k { p1, p,..., p z } R F = { p, p,..., p } R : p váldo = z F F z z 2. Cálculo de conjuntos de n puntos de contacto (n dedos) alcanzables por la pnza. { g,g,... } G = 1 2 G,g s g { p, p,... p }: p váldo, p p j = 1 2 { g,g,...,g }: g alcanzable = 1 2 s G G 3. Seleccón del conjunto óptmo de puntos. G = g n 4. Seleccón de la confguracón óptma para la pnza (s exste redundanca). Q Q s s ({ g,g,...,g }: g alcanzable, g váldo ) = g G : mn( dst( g,ej )) mn dst( g,ej ) j 1 2 s G selecc k k k ( ) { q1,..., qm, q11,..., q1 m,..., qn,..., qnm }: f ( Q ) = g selecc 1 n ej ej = Q : mn( dst( q,q ) mn( dst( q,q ) j = 1 selecc k k k j k j k j G s s 16

17 Algortmo (II) 1 F k k { p1, p,..., p z } R F = { p, p,..., p } R : p váldo = z F F z z Objetvo: decdr cuáles de los puntos de la superfce de la peza son váldos para stuar sobre ellos un dedo de la pnza. Se utlza aprendzaje automátco: la valdez se evalúa como smltud a los ejemplos de entrenamento. Atrbutos consderados: MEDIDAS LOCALES. Se utlza aprendzaje nductvo. Estudo de la aplcabldad de dferentes métodos: Lazy Eager Vecno más cercano (k-nn) Perceptrón multcapa Nave Bayes Funcones de base radal Árboles de decsón (C4.5) Lstas de reglas (PART) Conclusón: se utlzan árboles de decsón. 17

18 Algortmo (III) 2 { g,g,... } G = 1 2 G,g s Objetvo: calcular todas las posbles combnacones de n puntos de contacto váldos alcanzables por la pnza. Número de agarres a estudar:. g { p, p,... p }: p váldo, p p j = 1 2 { g,g,...,g }: g alcanzable = 1 2 s G G Posbles causas de no alcanzabldad de un conjunto de puntos: Lmtacones cnemátcas de brazo robot y pnza. Exstenca de colsones. Estudo completo nvable computaconalmente. Propuesta: fltros sucesvos de complejdad crecente. z n n s s j SE REDUCE EL NÚMERO DE COMBINACIONES A COMPROBAR Combnacones posbles (s) s 0 Fltro 1 s Fltro s Fltro s 1 2 P-1 s P 2 p Combnacones alcanzables (s ) AUMENTA LA COMPLEJIDAD DE CADA COMPROBACIÓN 18

19 Algortmo (IV) 3 G = g ({ g,g,...,g }: g alcanzable, g váldo ) = g G : mn( dst( g,ej )) mn dst( g,ej ) j 1 2 s G selecc k k k ( ) j k G s s Objetvo: elegr la combnacón de n puntos de contacto más adecuada. De nuevo se utlza aprendzaje automátco: la valdez se evalúa como smltud a los ejemplos de entrenamento. Atrbutos consderados: MEDIDAS GLOBALES Se procede en dos pasos: Fltrado de las combnacones nváldas. Seleccón de la combnacón más apropada de entre las váldas. Se compara el funconamento de dversos métodos de aprendzaje, selecconando: Prmer paso: árbol de decsón. Segundo paso: varacón del método del vecno más cercano. 19

20 Algortmo (V) 4 Q Q { q,..., q, q,..., q,..., q,..., q }: f ( Q ) = g = m 11 1m n1 selecc 1 1 = Q : mn k ej ej ( dst( q,q ) mn( dst( q,q ) j k k nm n j k selecc Objetvo: selecconar una confguracón de entre todas las que alcanzan los puntos de contacto. Se trata de un problema de resolucón de redundanca cnemátca. Propuesta basada en tres conceptos fundamentales: Resolucón de la redundanca en funcón de la smltud con los ejemplos de entrenamento. Ponderacón de las dstntas artculacones de brazo y pnza robot en funcón de su nfluenca en la caldad del agarre. Representacón de la cnemátca nversa en forma de árbol. Resultado: procedmento computaconalmente efcente. 20

21 Algortmo (VI) Resolucón redundanca: smltud con las confguracones de los ejemplos. Dferenca entre dos confguracones: ponderada en funcón de las artculacones. Crtero genérco de ponderacón: cercanía a los puntos de contacto con el objeto. Artculacones próxmas: ndcan el tpo de agarre realzado. Artculacones alejadas: dependen fundamentalmente de la poscón del objeto respecto del robot. Crtero modfcable según necesdades. Menor relevanca para el aprendzaje q 2 Mayor relevanca para el aprendzaje q m q 1 q nmn q n1 q 211 q 2m2 q 11 q 1m1 21

22 Algortmo (VII) Árbol cnemátco: Refleja todas las posbles solucones de la cnemátca nversa a un certo nvel de resolucón (dscretzacón). Prorzacón: n-1 prmeros nveles: asgnacones de los n dedos. restantes nveles: artculacones de brazo y pnza. Computaconalmente efcente: Búsqueda heurístca sn vuelta atrás. Construccón y búsqueda smultáneas, no es necesaro construr el árbol completo. 22

23 Algortmo (VIII) Se busca la confguracón parecda a alguna de las utlzadas en los ejemplos para agarrar un objeto con atrbutos parecdos (dos meddas de dstanca). Dstanca en el espaco de característcas (smltud objetos): d Dstanca en el espaco de confguracón (smltud asgnacones / artculacones): d C Combnacón ambos efectos: parámetro ajustable (sólo necesaro en el prmer nvel): d T Sempre meddas normalzadas. F n f L f p q 2 G S S p q ( S,S ) = ( lˆ lˆ ) + ( ĝ ĝ ) p q f L pa pb ( p, p ) = ( lˆ lˆ ) a b = 1 ( S,S, p, p ) p q a b j j = 1 j= 1 j= 1 j 2 a b a b ( ) d ( S,S ) L G J q,q d F p q = α + 1 α n f + f ( ) = d j q C 2 q ( p, p ) a f L b 23

24 SELECCIÓN DEL CLASIFICADOR 24

25 Seleccón del clasfcador (I) Métodos comparados: Lazy Vecno más cercano (k-nn) Perceptrón multcapa Funcones de base radal Eager Nave Bayes Árboles de decsón (C4.5) Lstas de reglas (PART) Crteros de comparacón empleados Cuanttatvos: Valdacón cruzada: 10 dvsones, seleccón estratfcada. Base de datos de 400 ejemplos (360 entrenamento). Porcentaje de clasfcacones correctas con número varable de ejemplos de entrenamento: Se detectan problemas de sobreajuste. El número de ejemplos varía entre 20 y 380. Tempo de procesado, off-lne y on-lne. Cualtatvos: Legbldad de los resultados. Robustez frente a ejemplos de entrenamento rudosos. Sensbldad a varacones de los parámetros del algortmo. 25

26 Seleccón del clasfcador (II) Expermentos ncales de ajuste de parámetros. Ajustes óptmos: Vecno más cercano: Sólo un vecno (1-NN). Perceptrón multcapa: Una capa oculta con 9 undades (7 undades para la etapa 3). Tasa de aprendzaje: 0.3; momento 0.2; epochs: 500 (valores por defecto). Funcones de base radal: 40 funcones base (10 undades para la etapa 3). Nave Bayes: Funcón de densdad de probabldad estmada medante suma de gaussanas. Árboles de decsón (C4.5): Nvel de confanza para la poda: C= 0.3. (0.25 para la etapa 3). Lstas de reglas (PART): Nvel de confanza para la poda: C= 0.3. (0.15 para la etapa 3). 26

27 Seleccón del clasfcador (III) Valdacón cruzada: 27

28 Seleccón del clasfcador (IV) Valdacón cruzada (resultados ajustados a normal): 28

29 Seleccón del clasfcador (V) Resultados con número varable de ejemplos: 29

30 Seleccón del clasfcador (VI) Tempo de cómputo off-lne: 30

31 Seleccón del clasfcador (VII) Tempo de cómputo on-lne: 31

32 Seleccón del clasfcador (VIII) Crteros cualtatvos: Legbldad del modelo Robustez ante rudo en ejemplos de entrenamento Robustez ante varacones parámetros Árboles de decsón X X X Lstas de reglas X X X Vecno más cercano X Perceptrón multcapa X Funcones de base radal X Nave Bayes X X 32

33 Seleccón del clasfcador (IX) Conclusones: Los árboles de decsón y las lstas de reglas son los mejores métodos de acuerdo con los crteros cualtatvos y cuanttatvos. Se elgen los árboles de decsón por su mayor legbldad global (muestran atrbutos prorzados). Consderacones: El algortmo de síntess de agarres desarrollado permte la utlzacón de cualquer clasfcador. Los resultados mostrados corresponden a la prmera fase del algortmo de síntess de agarre (clasfcacón de puntos en funcón de atrbutos locales). En la tercera etapa del algortmo (clasfcacón de conjuntos en funcón de atrbutos globales) se obtenen resultados smlares. 33

34 RESULTADOS EXPERIMENTALES 34

35 Resultados expermentales (I) Problema: agarre de una peza sobre una superfce plana. Datos sensorales: obtendos por cámara cental (contorno) Robot SCARA: planteamento 2D desacoplando el eje z. 35

36 Resultados expermentales (II) Prmera pnza: paralela de dos dedos. 2 puntos de contacto. Cerre smultáneo dedos. No exste redundanca cnemátca (salvo codo arrba/abajo). 4 artculacones prorzadas

37 Resultados expermentales (III) Segunda pnza: artculada de tres dedos. 3 puntos de contacto Cerre ndependente dedos, abduccón smultánea. Exste una elevada redundanca. 7 artculacones prorzadas

38 Resultados expermentales (IV) Prorzacón artculacones en segundo ejemplo: Máxma prordad para la abduccón de dedos. Permte dstngur tpos de agarres y asocarlos a objetos. 38

39 Resultados expermentales (V) Entorno de smulacón: desarrollado en Matlab. Váldo para entrenamento y funconamento autónomo. Preparado para pnzas de dos y tres dedos. Permte comprobar el funconamento del algortmo paso a paso. 39

40 Resultados expermentales (VI) Base de datos de 24 objetos: 19 fguras geométrcas sn agarres preestablecdos. 5 herramentas con agarres relatvos a la operacón a efectuar. 40

41 Resultados expermentales (VII) 41

42 Resultados expermentales (VIII) 42

43 Resultados expermentales (IX) Entorno real: Robot SCARA con pnzas de dos y tres dedos. Cámara cental de bajo coste. cámara vdeo robot pnza tarjeta E/S RS232 bus ISA USB USB controlador robot PC joystck 43

44 Resultados expermentales (X) Smplfcacón de la extraccón del contorno: Ilumnacón no controlada, pero fondo unforme. Extraccón contorno medante crecmento de regones y fltrado morfológco. 44

45 Resultados expermentales (XI) vdeo 45

46 Aprendzaje Automátco y Data Mnng Bloque VI EJEMPLO DE APLICACIÓN 46