Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Προηγμένη Τεχνητή Νοημοσύνη Mirror Perspective-Taking with a Humanoid Robot Justin W. Hart and Brian Scassellati Τσιλιώνης Ευθύμιος (12Μ11) 16 Ιανουαρίου.

Παρόμοιες παρουσιάσεις


Παρουσίαση με θέμα: "Προηγμένη Τεχνητή Νοημοσύνη Mirror Perspective-Taking with a Humanoid Robot Justin W. Hart and Brian Scassellati Τσιλιώνης Ευθύμιος (12Μ11) 16 Ιανουαρίου."— Μεταγράφημα παρουσίασης:

1 Προηγμένη Τεχνητή Νοημοσύνη Mirror Perspective-Taking with a Humanoid Robot Justin W. Hart and Brian Scassellati Τσιλιώνης Ευθύμιος (12Μ11) 16 Ιανουαρίου 2013

2 Εισαγωγή Γενικότερος Σκοπός: Δημιουργία ρομπότ που να επιτυγχάνει στο Mirror Test ( Gallup,1970) Προαπαιτούμενα:  Αυτογνωσία (προηγούμενη δουλειά)  Χρήση του καθρέπτη για spatial reasoning

3 Γενική Αρχιτεκτονική End-effector Model : Περιγραφή κίνησης στο χώρο Perceptual Model : Περιγραφή συστήματος όρασης Perspective-Taking Model: Χρήση της προοπτικής του καθρέπτη Structural Model: Εξωτερική 3D δομή Appearance Model: Χαρακτηριστικά εξωτερικής επιφάνειας Functional Model: Επίδραση ενεργειών σε αντικείμενα

4 Perspective-Taking Model Ο υπολογισμός της θέσης στο χώρο του end-effector γίνεται μέσω των αντικατοπτριζόμενων καμερών (Mirror-Perspective Cameras) Διαδικασία: 1. Καταγραφή τριών θέσεων του end-effector σε διάφορες στάσεις J i Πρόβλεψη από End-effector model Ĵ i Ανακατασκευή από Perceptual model ĵ i & ĵ i ′ Δισδιάστατη θέση στο καθρέπτη από κάθε κάμερα 2. Αρχικές εκτιμήσεις των Mirror-Perspective Cameras με βάση το επίπεδο του καθρέπτη 3. Μη γραμμική βελτίωση των Mirror-Perspective Cameras

5 Perspective-Taking Model

6 Περιγραφή διαδικασίας End-effector model Χρήση ομογενών συντεταγμένων Εφαρμογή παραμέτρων Denavit- Hartenberg για τις κινηματικές αλυσίδες(kinematic chains) Κάθε άρθρωση(joint) έχει 4 παραμέτρους Με βάση το forward-kinematic model η θέση δίνεται από: Μ : μετασχηματισμός που ασκείται στο επόμενο joint

7 Περιγραφή διαδικασίας Perceptual model Pinhole Camera Model  Intrinsic matrix :  Extrinsic parameters : R-προσανατολισμός, C-θέση στο χώρο  Ideal projection matrix :  Camera projection matrix : Από 3D σε 2D : και άρα Με βάση τα ĵ i & ĵ i ′ υπολογίζεται το Ĵ i

8 Περιγραφή διαδικασίας Αρχική εκτίμηση των Mirror-Perspective Cameras Ίδιο intrinsic matrix με πραγματικές Υπολογισμός του επιπέδου του καθρέπτη  Μέσο διάνυσμα:  Υπολογισμός Π 4 :  Επίπεδο καθρέπτη:

9 Περιγραφή διαδικασίας Υπολογισμός θέσης Mirror-Perspective Cameras Υπολογισμός προσανατολισμού:  Τομή επιπέδου καθρέπτη και άξονα-z κάμερας  Άξονας-z Mirror-Perspective Camera:  Ο προσανατολισμός είναι η μετάθεση της περιστροφής του άξονα που είναι κάθετος και στους δύο άξονες-z

10 Περιγραφή διαδικασίας Μη γραμμική βελτίωση Ελαχιστοποίηση της απόστασης μεταξύ των προβολών του end- effector και των 2D ισοδύναμων θέσεων για m δείγματα Χρήση του αλγόριθμου Levenberg-Marquardt

11 Πειράματα Χρησιμοποίηθηκαν 3 διαφορετικές θέσεις του καθρέπτη Για κάθε θέση 150 διαφορετικές πόζες του βραχίονα δοκιμάστηκαν (50 για εκπαίδευση, 100 για εξέταση) Έλεγχος απόδοσης συστήματος: Μέση απόσταση σε 2D και 3D μεταξύ προβλέψεων και μετρήσεων της θέσης του end- effector

12 Αποτελέσματα Πλεονεκτήματα Καλή επίδοση μετά απο 10 εκπαιδεύσεις Σχετίζεται καλά με το στόχο της επίτευξης του Mirror Test Κάνει προβλέψεις με βάση την αυτογνωσία Μειονεκτήματα Καλύτερη επίδοση όταν ο end-effector είναι στο οπτικό του πεδίο Η βελτιστοποίηση των mirror-perspective cameras γίνεται ανεξάρτητα της μιας από την άλλη

13 Αποτελέσματα

14 Ευχαριστώ! Τέλος


Κατέβασμα ppt "Προηγμένη Τεχνητή Νοημοσύνη Mirror Perspective-Taking with a Humanoid Robot Justin W. Hart and Brian Scassellati Τσιλιώνης Ευθύμιος (12Μ11) 16 Ιανουαρίου."

Παρόμοιες παρουσιάσεις


Διαφημίσεις Google