reality with automatic environment reconstruction Construir um sistema robtico de grasp que suporta programao por demonstrao An overview of 3D object grasp synthesis algorithms Fazer um levantamento do estado-da-arte dos algoritmos de sintese de grasp Virtual Reality and Programming by Demonstration: Teaching a Robot to Grasp a Dynamic Object by the Generalization of Human Demonstrations Desenvolver um sistema que a partir de demonstraes repetir comportamentos humanos Online movement adaptation based on previous sensor experiences EMG-Based Teleoperation and Manipulation with the DLR LWR-III* Imitation Learning of Human Grasping Skills from Motion and Force Data Aprender habilidade de agarrar a partir de dados de movimento e fora Combining Imitation and Reinforcement Learning to Fold Deformable Planar* Human Hand Motion Recognition Using Empirical Copula* Learning to search: Functional gradient techniques for imitation learning Aprender a funo de custo para ser aplicado no algoritmo de planejamento. Tal funo permitir que o comportamento do planejamento seja de imitao da demonstrao do especialista Learning and Generalization of Motor Skills by Learning from Demonstration Uma obordagem geral para aprendizagem de habilidades robticas a partir de demosntraes Dynamical System Modulation for Robot Learning via Kinesthetic Demonstrations Adquirir habilidades robticas a partir de demonstraes cinemticas Dynamic Grasp Recognition Using Time Clustering, Gaussian Mixture Models and Hidden Markov Models* A Tactile Feedback System for Robotic Surgery* Grasp recognition by Time-clustering, Fuzzy Modeling, and Hidden Markov Models (HMM) - a comparative study* Action recognition and understanding through motor primitives Reconhecimento e modelagem de atividades que envolve manipulao de objeto e grasp Learning and evaluation of the approach vector for automatic grasp generation and planning Gerao automtica de grasp para uma mo robtica. Estudou mais especificamente a escolha adequada do vetor de abordagem do objeto Natural demonstration of manipulation skills for multimodal interactive robots Implementar uma abordagem de aquisio de habilidade de grasp para um rob com interatividade mutlimodal Learning of grasp behaviors for an artificial hand by time clustering and Takagi-Sugeno Modeling Aprender primitivas de grasp para uma mo antropomrfica Teaching grasping to a humanoid hand as a generalization of human grasping data Aprender movimentos finos para agarrar objetos. Analisar a natureza desses movimentos. Interactive grasp learning based on human demonstration Construo de sistema cognitivo artificial para executar tarefas de manipulao Learning motor skills by imitation: A biologically inspired robotic mode Fazer um estudo do processo de aprendizagem por demonstrao no ser humano e replicar tal processo artificialmente em um rob Visual programming by demonstration of grasping skills in the context of a mobile service robot using 1D-topology based self-organizing- maps Ensinar a trajetria para agarrar um objeto especfico (mas fala de dois grasp aprendidos) Learning Grasping Force from Demonstration Aprender a fora da ponta dos dedos para agarrar e manipular objetos Template-Based Learning of Grasp Selection Escolha adequada da configurao dos dedos e da pose da mo para agarrar um objeto deseconhecido Learning Manipulation Tasks from Human Demonstration and 3D Shape Segmentation Introduzir uma segmentao 3D para o sistema robtico de agarrar objetos Abordagens Soluo feito um mapeamento da configurao da luva e da tarefa para a configurao da mo. O planeamento explora condies de contacto exatas entre a mo do rob e o objeto agarrado, bem como um gerador de trajetria Construiu um sistema (pregrasp planer) que planeja utilizando um agrupamento de trajetrias de abordagem e h um procedimento estocstico (usado HMM) para avaliar as trajetrias. E h um Grasp map, que seleciona a postura apropriada para agarrar focado tanto em algoritmos analticos quanto em empricos Foi feito para facilitar a escolhado do algoritmo apropriado criado um ambiente virtual em que o usuario controla o carter virtual. A partir do dados modelar um funo que represente o caso estudado e feito isso, adaptar o agente a lidar com novos casos Os dados coletados foram generalizados por uma MLP-BP Abordagem diferencial o uso da fora para obter grasps mais estveis Um operador controla uma mo robtica virtual e um algoritmo implementado para calcular as foras. aplicado a abordagem de controle timo inverso para encontrar a funo de custo utilizado uma exteno do Planejamento da margem mxima (Maximum Margin Planning), conhecido como: LEARCH Construo de uma biblioteca de movimentos; Tais movimentos so rotulados por tipo de tarefa e o contexto Cada movimento observado modelado por uma equao diferencial no-linear Abordou a programao por demonstrao em um caso especfico conhecido como aprendizagem cinemtica Foi combinado controle de sistema dinmico com GMM e foi proposto uma soluo do problema da cinemtica inversa para lidar com redudncia A Abordagem se baseou na hipotese que as aes podem ser representadas por uma sequncia de movimentos primitivos Usou SVM para reconhecer e modelar uma primitiva de movimento e HMM para modelar uma sequncia de primitivas de movimento Abordou o uso de experincia e primitivas de formas em sinergia; A escolha feita usando os sensores de entrada e tambm em dados tteis de experincias (demonstradas) h um mapeamento de grasp, um controle de grasp e um planejador de grasp Usa da abordagem de programao por demonstrao Primeiro, h dialago como rob; Depois, mostrado ao rob um sequema de classificao e deteco de objetos; Aps, restreado o movimento da mo e a trajetria usada no brao robtico; Por fim, ajuste fino da conf. Da mo robtica para cada grasp As trajetrias dos movimentos e os ngulos das articulaes demonstrados foram modelados em tempo e espao; Tais modelos foram depois usado para ser adaptados a mo robtica Usou-se uma modelagem nebulosa Usou os dados obtidos por um operador humano diretamente para aprendizagem da imitao. A ideia completa criar um rede neural para cada tipo de grasp e uma para decidir qual usar a partir das caractersticas do objeto. Esse trabalho restringiu-se a uma rede neural para um tipo de grasp Os dados coletados foram generalizados por uma rede neural. A entrada dimenso do cubo e a densidade do material e a sada a posio e a fora para agarrar Inspirado em estratgias de controle humano, que usa conhecimento apriori e sensores de feedback com predio Inspirao da biologia para implementar um sistema de aprendizagem por demonstrao Usou a arquitetura neural DRAMA para apresender a sequncia de movimentos Usar demonstraes para aprender a agarrar Usou um sistema de estrio de viso para rastrear a trajetria da mo. Tal trajetria aprendida pela SOM. A partir de demonstraes aprender as foras dos dedos. A abordagem de estimao da fora feita baseada em imagem Usou GMM para modelar o movimento e a fora. A trajetria do movimento e a fora aplicada a um brao e mo robticos. S foi mensurada as foras normais do indicador e do polegar. Um algoritmo de seleo de grasp baseado em demonstraes passadas, pois assumido que objetos de formas similares podem ser agarrados de maneira semelhante. Cada demonstrao associada a um template de grasp e esse template consiste de um descritor de forma local. Para agarrar um novo objeto encontra-se o melhor grasp da biblioteca de templates e adapta-lo ao novo objeto Abordou o uso de um mtodo topologico para segmentao da forma. Isso permitiu categorizar o objeto e o grasp robtico Usou um ambiente virtual com rastreadores de movimentos e luvas de dados. Tarefas Resultados Foi realizada a tarefa de agarrar uma caixa pequena com diferente grasp (alguns tipos de grasp foram agrupados porque a mo de Barrett no consegue replicar) Analticos so mais estveis mas no so orientados a tarefa; Empricos supera a dificuldade de modelar do analticos, porm no so totalmente autnomos em face de novos objetos pegar um bola que foi arremessada O foco foi encontrar a menor quantidade de tentativas necessrias para executar a tarefa adequadamente... Os resultado motraram que convergio em 90% com menos de 50 tentativas Foi experimentado em grasps de preciso Mostram que aprender as foras de interaes dos dedos leva a inconsistncias fsicas; E que aprender tenses internas leva a reprodues mais estveis Foi realizada a tarefa de agarrar diferentes formas de objetos O algoritmo tipicamente generaliza bem. Muitas vezes aprende conceitos que lembram de forma de aproximao de objetos no-vistos. Foi implementado as tarefas de servir-gua e pegar-e-colocar tanto simulado quanto no rob Sacros Colocar um objeto em uma caixa; E aproximar e agarrar um objeto Os resultados indicaram que a modelagem da volocidade bastante simplista e que a modelagem da acelerao mais sofisticada 5 tarefas de manipulao No apresentou bons resultados de reconhecimento, porm, foi til para a modelagem dos movimentos Os resultados cimenticos foram interessantes especialmente para os grasps de preciso. Foi simulado e fez anlise estatstica Um conjunto de 15 grasp Um tipo de grasp foi executado em objetos de diferentes tamanhos e diferentes densidades Baixa complexidade; No h a necessidade de uma completa descrio do objeto Foi realizado um mesmo grasp para 4 diferentes objetos (carro, caneta, copo, caneca) Conseguiu avaliar, reconhecer e modelar o grasp humano durante a sequncia de transporte do brao; E aprender e representar estratgias de grasp para diferentes mos robticas. Obteve um taxa de reconhecimento de 90% e Houve algumas dificuldades no mapeamento para a mo robtica Barrett Aprendezado de movimentos precisos das extremidades para agarra e alcanar Foi implementado e avaliado no sistema robtico TASER usando dados sintticos e reais O SOM foi capaz de generalizar vrias demonstraes. O desempenho foi suficiente para ser aplicado a agarrar diferentes objetos do cotidiano. Foi ensinado ao brao robtico Fanuc e a mo Barrett uma tarefa de pegar-e-colocar. Os resultados mostram que o rob aplica movimentos adequados a tarefas Foi experimentado em duas mos robticas, Willow Garage PR2 e Barrett WAM. Os resultados mostram que o algoritmo pode encontrar boas configuraes de grasp para um grande conjunto de objetos e que consegue melhorar a performance ao longo do tempo. O planejador robtico capaz de generalizar objetos semelhantes. Os resultados mostraram que a proposta encontrou com menos esforo o grasp apropriado para a tarefa solicitada Limitaes O simulador no tinha preciso da dinmica Modelagem de tarefa difcil. Encontrar uma tarefa compatvel para agarrar ainda um problema em aberto Foi simulado, poder de realidade menor No foi analisado em power grasp Sua aplicao requer a existncias de solucionadores eficientes de MDP. Foi desenvolvido para trabalhar em um ambiente esttico e completamente obsevvel Pode haver uma associao do objeto com aes para permitir um planejamento da sequncia de aes O fator de modulao pode ser aprendido. Pode ser utilizado um sistema para extrair as variveis relevantes e escolher o modelo apropriado. restrito a tarefas simples. No foi til para reconhcer Uma limitao geral levantada no artigo que pouco foi explorado o grasp on-line Tem de obdecer a premissas da biologia Um dificuldade o critrio de parada da rede SOM As demonstraes devem ao alcance das cmeras. Faltou mensurar as foras nos outros dedos. Trabalhos futuros: adaptar o grasp usando dados de sensores tteis. E tambm, informaes da tarefa para um refinamento do grasp
ROCHA, C. H. BASSO, E. A. (Orgs.) - Ensinar e Aprender Língua Estrangeira Nas Diferentes Idades Reflexões para Professores e Formadores. São Carlos Claraluz, 2008 PDF