Nonparametric Bayesian Learning for Collaborative Robot Multimodal Introspection

این کتاب دسترسی آزاد بر درون نگری ربات تمرکز دارد که تأثیر مستقیمی بر تعامل فیزیکی انسان و ربات و استقلال طولانی مدت دارد و می تواند از نظارت و تشخیص ناهنجاری مستقل و همچنین استراتژی های بازیابی ناهنجاری بهره مند شود. در رباتیک، توانایی استدلال، حل ناهنجاری های خود و غنی سازی فعالانه دانش متعلق به یک راه مستقیم برای بهبود رفتارهای خودمختار است. برای این منظور، نویسندگان با در نظر گرفتن الگوی زیربنایی مشاهده چندوجهی در حین دستکاری ربات شروع می کنند، که می تواند به طور موثر به عنوان یک مدل پارامتری پنهان مارکوف (HMM) مدل شود. سپس آنها یک رویکرد بیزی ناپارامتریک را در تعریف قبلی با استفاده از فرآیند دیریکله سلسله مراتبی (HDP) بر روی پارامترهای استاندارد HMM، که به عنوان مدل مارکوف پنهان فرآیند دیریکله سلسله مراتبی (HDP-HMM) شناخته می شود، اتخاذ کردند. HDP-HMM می تواند یک HMM را با تعداد نامحدودی از حالت های ممکن بررسی کند و انعطاف پذیری در پیچیدگی مدل آموخته شده و توسعه روش های استنتاج متغیر قابل اعتماد و مقیاس پذیر را امکان پذیر می کند.

این کتاب یک منبع مرجع ارزشمند است. برای محققان و طراحان در زمینه یادگیری ربات و ادراک چندوجهی، و همچنین برای دانشجویان ارشد در مقطع کارشناسی و کارشناسی ارشد.

This open access book focuses on robot introspection, which has a direct impact on physical human–robot interaction and long-term autonomy, and which can benefit from autonomous anomaly monitoring and diagnosis, as well as anomaly recovery strategies. In robotics, the ability to reason, solve their own anomalies and proactively enrich owned knowledge is a direct way to improve autonomous behaviors. To this end, the authors start by considering the underlying pattern of multimodal observation during robot manipulation, which can effectively be modeled as a parametric hidden Markov model (HMM). They then adopt a nonparametric Bayesian approach in defining a prior using the hierarchical Dirichlet process (HDP) on the standard HMM parameters, known as the Hierarchical Dirichlet Process Hidden Markov Model (HDP-HMM). The HDP-HMM can examine an HMM with an unbounded number of possible states and allows flexibility in the complexity of the learned model and the development of reliable and scalable variational inference methods.

This book is a valuable reference resource for researchers and designers in the field of robot learning and multimodal perception, as well as for senior undergraduate and graduate university students.