Atdarinošās mašīnmācīšanās pielietojums robotikā
Author
Račinskis, Pēteris
Co-author
Latvijas Universitāte. Datorikas fakultāte
Advisor
Greitāns, Modris
Date
2022Metadata
Show full item recordAbstract
Atdarinošā mašīnmācīšanās ir perspektīvs virziens robotikas uzdevumu risināšanas automatizācijā. Maģistra darbā veikts nozares pētniecības virzienu pārskats, un saskaņā ar tajā gūtajām atziņām izstrādāts risinājums motivējošam uzdevumam - metienu veikšanai ar industriālo robotroku. Teorētiskajā pārskatā vispirms sniegts vispārīgs ieskats ar darba tematiku saistītajos matemātiskajos formālismos, bet pēc tam atrasti galvenie virzieni nozares zinātniskajā literatūrā - trajektoriju kopēšana, novērojumu ieguve, modeļu vispārināšana - un iztirzāti galvenie sasniegumi katrā jomā. Praktiskā risinājuma ietvaros ar kustības uztveres sistēmu ierakstītas demonstrācijas, izveidota automātiska priekšapstrādes sistēma, kas sagatavo šos datus neironu tīklu modeļu apmācībai, apmācīti neironu tīklu modeļi robota trajektoriju ģenerēšanai - klasiskie un rekurentie. Papildus arī izveidota sistēma, kas šīs ģenerētās trajektorijas spēj izpildīt uz fiziska robota. Izveidoti rīki trajektoriju telpiskai vizualizācijai, lai novērtētu to kvalitatīvos aspektus, kā arī metodes dažādu modeļu veiktspējas objektīvai novērtēšanai - modeļu ģenerētās trajektorijas salīdzinātas ar apmācības un validācijas datu kopām, starp tām aprēķināti statistiski tuvības mēri un veikts aptuvens ģeometrisks metiena precizitātes novērtējums. Sistemātiski sagatavota pie dažādiem hiperparametriem apmācītu modeļu kopa, un tie salīdzināti, izmantojot šos rīkus. Rezultātu analīzes gaitā secināts, ka ar izmantotajām metodēm apmācītie modeļi ģenerē reālas metienu kustības, kas dažādos novērtējumos aproksimē treniņa un validācijas datu kopas. Izdevies veikt arī šādi ģenerētu metienu paraugdemonstrācijas uz fiziska robota. Darbs izstrādāts Elektronikas un datorzinātņu institūtā, izmantojot institūta materiāli tehnisko bāzi. Imitation learning is a promising direction for automating the solving of various tasks in robotics. This master's thesis contains a theoretical overview of the key research directions in the field and insights gained therein are applied in solving a motivating problem - producing throwing motions with an industrial robot. The theoretical part of this thesis contains a general overview of the mathematical formalisms related to the topics covered. This is followed by an exploration of the key research directions in imitation learning - behavioural cloning, collection of observations, model generalization - with the most relevant achievements in each discussed in detail. As part of the practical solution, demonstration trajectories were recorded using motion capture equipment, an automated data preprocessing pipeline was developed to make these suitable for training artificial neural network models, and numerous such models were trained for generating robot trajectories in two main architectures - feedforward and recurrent. In addition, a system for executing these trajectories on a real robot was also developed. For validation and comparison purposes, tools for spatial visualization of trajectories and generation of numeric evaluation metrics were produced. The latter compare model-generated trajectories with training and validation data sets, computing various statistical distance measures and approximate geometric evaluations of model throw accuracy. A number of models with varying hyper parameters were trained and evaluated using this tool set. Results show that models trained using the approaches presented in this thesis approximate the training and validation data sets well with respect to a number of metrics. Throws using model-generated trajectories were also successfully performed on a physical robot. This thesis was developed at the Institute of Electronics and Computer science, using the institute's facilities and equipment.