Segmentação automática de demonstrações através da modelagem de séries temporais por processos beta
Carregando...
Data
Autores
Orientador(es)
Coorientador(es)
Membros da banca
Oliveira, Felipe Gomes de
Silva, Edson de Araújo
Silva, Edson de Araújo
Pós-Graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal do Amazonas
Tipo
Direito de acesso
DOI
Resumo
Este trabalho aborda a questão da segmentação automática de demonstrações de tarefas de
manipulação dentro do contexto de Learning from Demonstration. Este é um conjunto de
técnicas para programação de robôs e aprendizagem de políticas, baseado na observação de
demonstrações de tarefas fornecidas por um professor humano ou robô. Para que um
programador de robôs aplique o Learning from Demonstration, ele deve dividir as
demonstrações em atividades ou ações antes de utilizá-las para o ensino real do robô, após esta
segmentação os dados organizados são alimentados em algoritmos de aprendizagem, que são o
ponto principal do LfD. Neste trabalho, foca-se na parte de segmentação do problema e propõe-se uma ferramenta de segmentação de tarefas de manipulação baseada em vídeo. A abordagem
baseada em dados aqui proposta não requer nenhum conhecimento prévio de programação de
robôs ou segmentação manual por parte do professor humano. Usam-se ferramentas de
aprendizado de máquina prontas para uso para anotação automática de imagens e modelos de
Markov ocultos autorregressivos de processo beta que aproveitam uma representação infinita
baseada em recursos para criar uma ferramenta contínua e fácil de usar que atinge a
segmentação semântica relevante de uma forma completamente não supervisionada. Como
resultado, este método atinge uma acurácia de alinhamento temporal máxima de 96% e acurácia
de classificação máxima de 86,8%, sem conhecimento prévio das ações sendo segmentadas,
deixando claro que esta técnica pode ser usada para segmentar tarefas de manipulação sem a
necessidade de qualquer trabalho manual além da demonstração em si.
Abstract
This work addresses the issue of automatic segmentation of manipulation task demonstrations
in the context of Learning from Demonstration. Learning from Demonstration is a set of
techniques for robot programming and policy learning, based on observation of task
demonstrations provided by a human or robot teacher. For a robot programmer to apply
Learning from Demonstration, he must divide the demonstrations into activities or actions
before using them for actual teaching of the robot. After this segmentation, the organized data
is fed into learning algorithms, which are the main point of the LfD. In this work, we focus on
the segmentation part of the problem and propose a video-based manipulation task
segmentation tool. The proposed data-driven approach does not require any prior knowledge
of robot programming or manual segmentation on the part of the human teacher. It uses out-of the-box machine learning tools for automatic image annotation and beta-process autoregressive
hidden Markov models that leverage an infinite feature-based representation to create a
seamless, easy-to-use tool that achieves relevant semantic segmentation of a completely
unsupervised manner. As a result, this method reaches a maximum temporal alignment
accuracy of 96% and maximum classification accuracy of 86.8%, without prior knowledge of
the actions being segmented, making it clear that this technique can be used to segment
manipulation tasks without the need for any manual work beyond of the demonstration itself.
Descrição
Termo controlado
Robôs - Programação; Programação (Computadores)
Objetivos de Desenvolvimento Sustentável (ODS)
Citação
RODRIGUES, Gabriel Góes. Segmentação automática de demonstrações através da modelagem de séries temporais por processos beta. 2023. 91 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2023.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto

