Perception-Based Learning for Fine Motion Planning in Robot Manipulation

Abstract

El problema de la incertidumbre en robotica es ineludible en el mundo real, En aplicaciones de movimiento fino, que involucran distancias cortas y contactos, las tareas son muy dificiles de modelar y el entorno no siempre es conocido previamente. Esta tesis describe una arquitectura de aprendizaje de tareas de movimiento fino para robots. El aprendizaje es autonomo, mediante repeticion de experiencias, asumiendo que existe incertidumbre y que el robot se guia principalmente por sus sensores, en especial de fuerza. El metodo esta basado en diferentes tecnicas de redes neuronales y aprendizaje por refuerzo. Se incluyen simulaciones de diferentes tareas para explicar los aspectos del proceso de aprendizaje. La arquitectura se implementa en un robot real dotado de un sensor de fuerza, que aprende la tarea de insercion de piezas prismaticas con varias secciones diferentes.