Wearable Technology for Robotic Manipulation and Learning

در چند دهه آینده، میلیون‌ها نفر، با پیشینه‌ها و سطوح مختلف تخصص فنی، باید به طور مؤثر با فناوری‌های روباتیک به صورت روزانه تعامل داشته باشند. این بدان معناست که می‌توان رفتار ربات را بدون نوشتن کد صریح تغییر داد، اما در عوض از طریق تعداد کمی ابزار پوشیدنی یا نمایش‌های بصری. در عین حال، ربات‌ها برای ارائه کمک قبل از درخواست صریح، باید مقاصد و اهداف درونی انسان‌ها را بر اساس تعاملات گذشته استنباط و پیش‌بینی کنند. این اساس یادگیری تقلید برای رباتیک است.

این کتاب خوانندگان را با یادگیری تقلید رباتیک بر اساس نمایش انسان با دستگاه‌های پوشیدنی آشنا می‌کند. این یک روش کالیبراسیون پیشرفته برای سنسورهای پوشیدنی و رویکردهای همجوشی تحت چارچوب فیلتر کالمن، و همچنین یک دستگاه پوشیدنی جدید برای گرفتن ژست‌ها و سایر حرکات ارائه می‌کند. علاوه بر این، روش یادگیری تقلیدی مبتنی بر دستگاه‌های پوشیدنی و مبتنی بر دید را برای دستکاری رباتیک توصیف می‌کند، و آن را به یک راهنمای مرجع ارزشمند برای دانشجویان فارغ‌التحصیل با دانش اولیه یادگیری ماشین، و برای محققان علاقه‌مند به محاسبات پوشیدنی و یادگیری رباتیک تبدیل می‌کند. p>

Over the next few decades, millions of people, with varying backgrounds and levels of technical expertise, will have to effectively interact with robotic technologies on a daily basis. This means it will have to be possible to modify robot behavior without explicitly writing code, but instead via a small number of wearable devices or visual demonstrations. At the same time, robots will need to infer and predict humans’ intentions and internal objectives on the basis of past interactions in order to provide assistance before it is explicitly requested; this is the basis of imitation learning for robotics.

This book introduces readers to robotic imitation learning based on human demonstration with wearable devices. It presents an advanced calibration method for wearable sensors and fusion approaches under the Kalman filter framework, as well as a novel wearable device for capturing gestures and other motions. Furthermore it describes the wearable-device-based and vision-based imitation learning method for robotic manipulation, making it a valuable reference guide for graduate students with a basic knowledge of machine learning, and for researchers interested in wearable computing and robotic learning.