Autonomous learning of object behavior concepts and models through robotic interaction
Sergio Roa Ovalle · Publications of the UdS (Saarland University) · 2016
We need robots that learn from the environment by interacting with it, and deduce models of causal relations and associations from these interactions. In this dissertation, we address the particular problem of predicting object trajectories when manipulating objects, using robot arm pushes. To solve this problem we derive models which can describe the behavior of objects put in motion. For a learning robot it is essential to learn in an incremental and active way when new information is coming in, and to do so without losing generalization and without overfitting. First, we tackle this problem by estimating the density of a sensorimotor space after a robot performs a new action by using a modification of the incremental Growing Neural Gas (RobustGNG) algorithm. RobustGNG performs a space quantization which is robust to noise and overfitting issues. Subsequently, we infer models useful for prediction of object trajectories in terms of object poses. The same machinery is useful for obtaining more coarse-grained predictions, for instance categorizations of object behaviors. Last but not least, these prediction models provide a qualitative and temporal description of the state space, so that they can eventually be used in planning tasks. We infer cause-effect models by using RobustGNG’s results in a new version of the CrySSMEx algorithm to generate substochastic finite-state machines. Wir brauchen Roboter, die durch Interaktion mit der Umwelt von dieser lernen und aus dieser Interaktion Modelle fur Kausalrelationen und -zusammenhange ableiten konnen. In dieser Dissertation wird das spezielle Problem der Vorhersage von Objektbewegungen durch Manipulation von Objekten durch Roboterarme behandelt. Um dieses Problem zu losen, werden Modelle hergeleitet, die das Verhalten von in Bewegung versetzten Objekten beschreiben konnen. Fur einen lernenden Roboter ist es essentiell wichtig, schrittweise und aktiv zu lernen wenn neue Informationen kommen, ohne dabei die Generalisierung zu verlieren oder Uberanpassung zu generieren. Das Problem wird zunachst dadurch angegangen, dass die Dichte eines sensomotorischen Raumes geschatzt wird, nachdem ein Roboter eine neue Bewegung ausgefuhrt hat. Hierfur wird eine Abwandlung des inkrementellen Growing Neural Gas (RobustGNG) Algorithmus verwendet. Die durch RobustGNG vorgenommene Quantisierung des Raumes ist unanfallig fur Storungen und Uberanpassung. Daraufhin konnen Modelle abgeleitet werden, die fur die Vorhersage von Objektbewegungen bezuglich ihrer Objektstellung nutzlich sind. Derselbe Mechanismus ist nutzlich, wenn grobere Vorhersagen getroffen werden sollen, z.B. bei der Kategorisierung von Objektverhalten. Zu guter Letzt bieten diese Vorhersagemodelle eine qualitative und zeitliche Beschreibung des Zustandsraumes, sodass sie schlieslich auch bei Planungsaufgaben verwendet werden konnen. Es werden Ursache-Wirkungs-Modelle abgeleitet, indem die Ergebnisse des RobustGNG in einer neuen Version des CrySSMEx-Algorithmus verwendet werden, um substochastische Zustandsmaschinen zu erzeugen.