Door de mens bewezen robotvaardigheden generaliseren: toepassingen voor manipulatietaken in contact

Van toekomstige robots wordt verwacht dat ze een veelvoud aan complexe taken met grote variabiliteit uitvoeren, in nauwe samenwerking of zelfs fysiek contact met mensen, en in industriële en niet-industriële omgevingen. Zowel mens-robot interactie als taakvariabiliteit zijn grote uitdagingen. Veel vooruitgang is nodig zodat: (1) robots de intentie van de mens herkennen en reageren met mensachtige bewegingen; (2) eindgebruikers van robots, zoals operators op de fabrieksvloer of mensen thuis, kunnen op een intuïtieve manier robots inzetten voor nieuwe taken of nieuwe situaties, bijvoorbeeld door de taak gewoon aan de robot te demonstreren. De fundamentele uitdaging in dit voorstel is: hoe kan een robot een vaardigheid die in een bepaalde situatie is aangetoond, generaliseren en op nieuwe situaties toepassen? Dit project richt zich op vaardigheden met betrekking tot starre objecten die worden gemanipuleerd door een robot of een mens en volgt een modelgebaseerde aanpak die bestaat uit: (1) conversie van de gedemonstreerde gegevens naar een innovatieve invariante weergave van beweging en interactiekrachten; (2) generalisatie van deze weergave naar een nieuwe situatie door een optimaal besturingsprobleem op te lossen waarbij de gelijkenis met de invariante weergave wordt gehandhaafd terwijl wordt voldaan aan de beperkingen die door de nieuwe context worden opgelegd. Bijkomende kennis over de taak kan worden toegevoegd in de beperkingen. Dit doctoraat zal zich richten op de ontwikkeling van de toepassing van vaardigheidsgeneralisatie op robotmanipulatietaken waarbij contact plaatsvindt, zoals contour- of oppervlakvolging en assemblage.