Aprendizaje de movimientos en un robot humanoide por medio de imitación

El proyecto de grado titulado Aprendizaje de movimientos en un robot humanoide por medio de imitación implementa algoritmos de aprendizaje supervisado, proporcionando a un robot la capacidad de identificar movimientos realizado en las extremidades superiores por una persona y replicarlos. Se evalúa, además, el desempeño cuantitativo de las arquitecturas implementadas. Para desarrollar el aprendizaje de movimientos se selecciona una plataforma robótica llamada Poppy Torso, correspondiente a un proyecto de código abierto. Se construye este robot por medio de impresión 3D de las piezas y su posterior ensamblaje. Dicho desarrollo contiene además la descripción virtual del robot, lo cual permite realizar simulación en herramientas como Rviz. El desarrollo del proyecto se divide en dos etapas: la primera de ellas consiste en lograr la clasificación de los movimientos humanos. Por esta razón, se crea un dataset de videos RGB-D (RGB más profundidad), que contiene movimientos de las extremidades superiores, realizados por un grupo de personas con características diferentes. Empleando un modelo extractor de poses, se extrae la ubicación espacial de las articulaciones, que sirve como entrada a una red neuronal recurrente (RNN-many to one) y una SVM (Support Vector Machine). Se evalúa el desempeño de estos algoritmos por medio de matrices de confusión. La segunda etapa consiste en un problema de regresión que se basa en replicar la ejecución del movimiento en el robot. Debido a esto, se crea un dataset que contiene las trayectorias de ángulos que toma cada motor, para que el robot desplace sus articulaciones de un punto aleatorio a uno definido. Para el aprendizaje supervisado se implementa una red neuronal recurrente (RNN-one to many), capaz de predecir las trayectorias de cada una de las articulaciones del robot para llegar a un punto objetivo. Los algoritmos de clasificación se evalúan por medio de matrices de confusión, donde se obtienen precisiones de 97\% en el caso de la SVM y 92% para la RNN. Por otro lado, el algoritmo de regresión se evalúa con error de posición final, donde se obtienen errores entre 9.32 x 10^(-8) y 4.21x 10^(-3) radianes respecto a la posición objetivo. Por el valor de estas métricas y el comportamiento de los algoritmos al predecir, se puede concluir que el aprendizaje en los algoritmos de clasificación y regresión se desarrolla adecuadamente, cumpliendo con los objetivos propuestos.

• Autores: Rey Ramírez, Andrea Catalina; Ruiz Ruiz, Alison Gissell
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2020
• Institución: Universidad Santo Tomás
• Repositorio: Repositorio Institucional USTA
• Idioma: spa
• OAI Identifier: oai:repository.usta.edu.co:11634/29867
• Acceso en línea: http://hdl.handle.net/11634/29867
• Palabra clave: SVM; RNN; LSTM; Supervised learning; RVIZ; Poppy Torso; Confusion matrix; Dataset; Robots -- Programming; Automatic control; Machine Learning (Artificial Intelligence); Imitation; Aprendizaje supervisado; Robots -- Programación; Control automático; Aprendizaje automático (Inteligencia artificial); SVM; RNN; LSTM; RVIZ; Poppy Torso; Matriz de confusión; Dataset; Imitación
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 2.5 Colombia