Reinforcement Learning of Bimanual Robot Skills

ویرایش: [1st ed. 2020] 
نویسندگان: Adrià Colomé. Carme Torras  
سری: Springer Tracts in Advanced Robotics 134 
ISBN (شابک) : 9783030263256, 9783030263263 
ناشر: Springer International Publishing 
سال نشر: 2020 
تعداد صفحات: XIX, 182
[192] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 Mb 

قیمت کتاب (تومان) : 52,000



این کتاب به تمام مراحل و مکانیسم‌های مربوط به یادگیری کارهای دستکاری توسط روبات‌های دو دستی در تنظیمات بدون ساختار می‌پردازد، زیرا می‌تواند وظیفه تا کردن لباس‌ها باشد.

در بخش اول نحوه انجام این کار توضیح داده می‌شود. برای ساختن یک سیستم یکپارچه، قادر به مدیریت صحیح سینماتیک و دینامیک ربات در طول فرآیند یادگیری. این پیشرفت‌های عملی برای سینماتیک معکوس حلقه بسته برای ربات‌های اضافی، روشی برای قرار دادن دو بازو برای به حداکثر رساندن قابلیت دستکاری فضای کاری، و یک مدل پویا همراه با یک مشاهده‌گر اختلال برای دستیابی به کنترل سازگار و رفتار ربات ایمن پیشنهاد می‌کند.

در بخش دوم، روش‌هایی برای یادگیری حرکتی ربات بر اساس الگوریتم‌های اولیه حرکت و الگوریتم‌های جستجوی مستقیم خط مشی ارائه می‌شود. برای بهبود کارایی نمونه‌گیری و تسریع یادگیری بدون کاهش کیفیت راه‌حل، تکنیک‌هایی برای کاهش ابعاد، برای بهره‌برداری از نمونه‌های با عملکرد پایین، و برای زمینه‌سازی و سازگاری با موقعیت‌های متغیر پیشنهاد شده‌اند.

در مجموع. ، خواننده در این توضیح جامع دانش مربوطه را در زمینه های مختلف مورد نیاز برای ایجاد یک چارچوب کامل برای یادگیری حرکتی ربات بدون مدل، سازگار و هماهنگ خواهد یافت.

This book tackles all the stages and mechanisms involved in the learning of manipulation tasks by bimanual robots in unstructured settings, as it can be the task of folding clothes.

The first part describes how to build an integrated system, capable of properly handling the kinematics and dynamics of the robot along the learning process. It proposes practical enhancements to closed-loop inverse kinematics for redundant robots, a procedure to position the two arms to maximize workspace manipulability, and a dynamic model together with a disturbance observer to achieve compliant control and safe robot behavior.

In the second part, methods for robot motion learning based on movement primitives and direct policy search algorithms are presented. To improve sampling efficiency and accelerate learning without deteriorating solution quality, techniques for dimensionality reduction, for exploiting low-performing samples, and for contextualization and adaptability to changing situations are proposed.

In sum, the reader will find in this comprehensive exposition the relevant knowledge in different areas required to build a complete framework for model-free, compliant, coordinated robot motion learning.