Perception as stochastic grammar-based sampling on dynamic grahp spaces

摘要

espanolEsta tesis estudia y desarrolla tecnicas novedosas que permiten a los robots percibir apropiadamente el entorno de forma autonoma. Para conseguir esto es posible y conveniente usar la informacion del entorno de la que se disponga. Generalmente, dicha informacion queda plasmada en el codigo del robot como construcciones if-then-else dificiles de entender cuando el mundo del robot es considerablemente complejo. Se propone el uso de �Active Grammar-based Modeling� (AGM), una tecnica desarrollada dentro de la tesis, que usa descripciones de muy alto nivel que permiten al desarrollador obtener mas flexibilidad y escalabilidad, asi como reducir el tiempo de desarrollo y la cantidad de errores que se cometen al programar los robots. La solucion propuesta pasa por describir la gramatica del entorno en un lenguaje especifico de dominio que posteriormente se traduce a PDDL, permitiendo usar asi planificadores de Inteligencia Artificial clasicos para decidir que ha de hacer el robot para cumplir sus objetivos y comprobar que las modificaciones que el robot hace al modelo del entorno son validas de acuerdo a la gramatica. Ademas, AGM permite coordinar facilmente diferentes filtros de particulas para su ejecucion simultanea, pudiendo ademas elegir distintos filtros de particulas dependiendo del contexto en el que el robot se encuentre, optimizando asi el sistema perceptivo de los robots. Ademas de dicha tecnica la tesis presenta diferentes algoritmos usados dentro de AGM, asi como varios experimentos relacionados con el modelado activo de entornos de interior usando camaras RGBD. EnglishThis thesis develops and studies novel techniques that allow robots to properly model their environments autonomously. For this purpose it is possible and feasible to use all the available information that robots can use. Generally this information results in if-then-else constructs that are hard to understand then the environments of the robots are considerably complex. It is proposed to use �Active Grammar-based Modeling� (AGM), a new technique developed within this thesis. It uses very high-level descriptions that allow developers to achieve higher flexibility and scalability, as well as reducing the development time and the amount of programming errors. The solution consists on describing the grammar of the environment using a domain-specific language that is compiled into PDDL, allowing AGM-based systems to use classic AI planners to decide what robots should do to achieve their goales and incrementally verify that the model generated is valid according to the grammar described. Moreover, AGM can coordinate different particle filters so they can work simultaneously, allowing to choose the most appropriate filters depending on the context. This enhances the accuracy and effectivenes of the perceptual systems of the robots Along AGM, this thesis also presents the different algorithms used by AGM, as well as different experiment related to active indoor modeling using RGBD cameras.