Till innehåll på sidan

Learning Structured Representations for Rigid and Deformable Object Manipulation

Tid: Ti 2021-11-09 kl 15.00

Plats: Ångdomen, Osquars backe 31, Stockholm (English)

Respondent: Michael C. Welle , Robotik, perception och lärande, RPL, EECS/RPL

Opponent: Associate Professor Dimitry Berenson,

Handledare: Danica Kragic, Robotik, perception och lärande, RPL

Exportera till kalender

Abstract

Prestandan av inlärningbaserade algoritmer beror på stor del av hur datan representeras. Av denna anledning ställs följande frågor: (i) hur vi tar fram användarbara representationer, (ii) hur utvärderar vi dem samt (iii) hur kan vi använda dem i riktiga robotikscenarier. I den här avhandlingen försöker vi att svara på dessa frågor för att hitta inlärda, strukturerade, representationer för manipulation av rigida och icke-rigida objekt. Först behandlar vi hur man kan lära in en strukturerad representation och visar att inkorporering av struktur, genom användandet av statistiska priors, är fördelaktigt inom vissa robotikuppgifter. Vidare så diskuterar vi passande tillvägagångssätt för att utvärdera strukturerade representationer, samt presenterar ett standardiserat test för tygmanipulering för robotar med två armar. Till sist så introducerar vi ramverket Latent Space Roadmap (LSR) för visuell beslutsplanering, där råa observationer mappas till en lågdimensionell latent rymd. Dessa punkter kopplas samman med hjälp av LSR, och visuella beslutsplaner genereras för en simulerad uppgift för att placera objekt i staplar, för manipulation av ett rep, samt för att vika T-shirts på ett riktigt robotiksystem.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-304615