Learning robotic navigation and manipulation primitives from demonstration

Robotların varlık sebebi, insanların uygun bulduğu görevlerde, insanların yararına kullanılabilecek olmalarıdır. Robotların istenen görevleri, insan kadar başarılı şekilde yapabilmesini sağlamak için insan zekasını veya işlevselliğini hedeflemek mantıklıdır. Bu tezde sunulan araştırmalar, robotların işlevselliğinin insan seviyesine yaklaştırılmasını sağlamak için yapılmış bir dizi çalışmayı kapsamaktadır. Gösterimden Öğrenme (Learning from Demonstration - LfD) tekniği, bu yönde ilerlememiz için paha biçilmez kaynaklar sağlamaktadır. Veri odaklı yaklaşımlardaki son gelişmelerle birlikte, LfD yöntemleri de bir dönüşüm sürecine girmiştir. İlerlemelere rağmen, zeka açısından insanlar ve robotlar arasında önemli bir fark vardır. Bu farkı azaltmaya yardımcı olmak için, ilk olarak mobil robotların sosyal uyumunu artırmayı önerdik. Bu amaçla, navigasyona ilişkin primitifleri, insan verilerinden öğrenen bir navigasyon çerçevesi geliştirdik. Bu model proksemiklere ve yörüngelere ait mekansal metriklerden yararlanarak robot hareketlerinin çevredeki insanlarda yarattığı rahatsızlığı azaltmayı hedefler. Devamında, Koşullu Sinirsel Uzman İşlemler (Conditional Neural Expert Processes - CNEP) adını verdiğimiz yeni bir LfD çerçevesi önerdik. CNEP, farklı hareket primitiflerini aynı anda ve insan müdahalesine ihtiyaç duymadan öğrenir; entropi konseptinden yararlanarak, gösterimlerdeki çok modluluğun yakalanmasının yolunu açar. Son olarak, bir çiviyi çekiçle çakmak gibi birçok gerçek dünya becerisi, aynı primitifin ritmik olarak uygulanmasını gerektirir. Böyle periyodik görevler için, doğrusal faz yerine açısal fazı kullanan Pozisyonla Güçlendirilmiş Hareket Primitifleri (Position-Enhanced Movement Primitives - PEMP) modelini önerdik. Deneylerimiz, PEMP'in periyodik primitifleri modelleme ve sentezleme konusunda büyük bir potansiyele sahip olduğunu göstermiştir.