Learning with tactile feedback

Nicolas Sommer

Description

Niveau: Supérieures
Master project Learning with tactile feedback on a humanoid robot Nicolas Sommer Section Microtechnique Professor: Aude Billard January 20, 2012

• robot


• master project


• machine learning technique


• bras de l'icub


• lasa résumé de travail pratique de master


• perception tactile

Sujets

• Sommer
• Billard
• Keller
• Norris

Informations

• Publié par: profil-fouv-2012
• Nombre de lectures: 105
• Langue: Français
• Poids de l'ouvrage: 2 Mo

Extrait

Master project

Learning with tactile feedback

on a humanoid robot

Professor: Aude Billard

Nicolas Sommer Section Microtechnique

January 20, 2012

LASARésumé de Travail pratique de Master 20/01/2012 Learning with tactile feedback on a humanoid robot Nicolas Sommer, Section Microtechnique Assistants: Mohammad Khansari, Ana Lucia Pais Professeur: Billard Aude

La perception tactile est un facteur clé et une condition nécessaire pour la préhension et la manipulation d'objets. Une approche possible pour apprendre des tâches de manipulation est le programmation par démonstration (PbD), nous l'utilisons sur un robot humanoïde équippé de capteur tactiles sur le bout des doigts.

Task example: grasp an object and drop it in a box Nous utilisons une seule fonction de régression basée sur un modèle de mélange de Gaussiennes (GMM), construite à partir des démonstrations effectuées à la main sur le robot. Cette fonction permet le contrôle complet du bras robotique. Cette approche est testée sur le bras de l'iCub à 16 DDL pour plusieurs tâches de manipulation. L'information tactile sert à la fois de signal implicite guidant la transition entre les différentes phases du mouvement et de retour d'information pour effectuer un contrôle en force pour la préhension d'objets. Nous montrons que le contrôle résultant de cet apprentissage permet l'execution de tâches de manipulation simples telles que

faire glisser un objet sur une table ou attraper cet objet pour le relâcher dans une boîte à proximité. La capacité de généralisation de GMM permet au système d'accomplir les tâches demandées en partant de positions initiales qui n'ont pas été montrées pendant l'apprentissage.

Reproduction of grasping task and corresponding average pressure curves on each finger. Bien que le système soit sensible aux démonstrations fournies par l'utilisateur, l'intérêt de cette technique réside dans le fait qu'aucune information complémentaire n'est nécessaire pour l'apprentissage, l'algorithme extrait les corrélations des données d'entraînement pour construire le modèle utilisé dans la régression. Il utilise ensuite ce modèle pour déduire les vitesses articulaires du robot en fonction de la position cartésienne de sa main et des signaux tactiles.

Abstract

Tactile sensing is a key requirement for grasping and object manipulation. Programming by demonstration (PbD) is an approach to learn manipulation tasks. We present it on a humanoid robot equipped with fingertip tactile sensors. In our approach we use Gaussian Mixture Model (GMM) to build the control policy to control the arm for a set of demon- strations. We test our approach on the iCub’s 16-DOF’s arm on several manipulation tasks. The tactile information both serves as an implicit signal to transition between phases of the movements and to achieve some force control for object grasping. We show that the learnt control policies allow successful execution of simple manipulation tasks such as sliding an object on a table or grasping an object to release it in a box next to its initial position. The ability of Gaussian Mixture Regression (GMR) to generalize over the demonstrations enables the robot to perform the tasks with initial positions not shown during teaching.

Acknowledgements

I would like to thank Prof. Aude Billard for her guidance during this project, for welcoming me in her laboratory and giving me the opportunity to work on this project. I also appreciated the help from Jean-Baptiste Keller for the mechanical issues on iCub and the interesting insights Mohammad Khansari gave me on my project. I am also grateful to Basilio Norris for his software MLDemos, which I have been using in this project and on other occasions. I would like to thank Ana Lucia Pais for the time she spent patiently introducing me to the software and hardware of the iCub, as well as Ashwini Shukla, and Eric Sauser for his work that has been a solid base and inspiration for my project. Lastly, I would like to thank all people in LASA for creating a great environment to work in.

1