Rapport de Recherche

(pour la durée du mandat)
Yan-Bin Jia

Mon enquête sur la dextérité des robots s’est concentrée sur la recherche d’une compréhension coordonnée des problèmes de calcul et de contrôle dans les tâches de manipulation. L’un des objectifs de cette étude est la récupération dynamique d’informations géométriques telles que la forme et la pose, et d’informations mécaniques telles que le mouvement et la force. Un autre objectif est une ingénierie minutieuse des informations ci-dessus pour que le robot présente des compétences lors de l’exécution de tâches physiques. Grâce à des efforts équilibrés entre enquête théorique et démonstration expérimentale, j’espère acquérir des connaissances approfondies sur l’action et l’intelligence lors de leurs interactions. Du point de vue de l’application, ces connaissances auront la promesse d’avoir un impact non seulement sur l’automatisation industrielle mais aussi sur les robots personnels à l’avenir.

Pour que le robot puisse éventuellement démontrer des compétences approchant le niveau humain, une intégration étroite de la détection dans l’action doit être réalisée pour ouvrir la voie à un cadre dans lequel les compétences de manipulation d’objet peuvent être formulées, analysées et automatisées. Pour démontrer la philosophie ci-dessus, j’ai utilisé principalement une source d’information qui est omniprésente dans le monde physique – le contact entre deux ou plusieurs corps. Cela peut être l’emplacement ou la force du contact ou les deux. Je suis particulièrement intéressé par le contact entre une main robotique (le terme «  main robotique  » fait référence à un manipulateur en général, de forme similaire ou non à la main humaine) et un objet manipulé par la main.

Grâce au soutien d’un NSF CAREER Award (2002-2007), mon enquête s’est jusqu’à présent concentrée sur la localisation, la reconnaissance, la reconstruction, ainsi que la saisie de formes (en particulier, les formes courbes) qui, à mon avis, sont fondamentales pour obtenir des compétences et manipulation intelligente des objets.

Dans un avenir proche (jusqu’en 2007), mon objectif principal sera d’approfondir l’enquête ci-dessus, avec un changement d’attention vers les formes courbes 3D. Plus de détails sur cette ligne de recherche sont décrits à la fin des parties 1 et 2 ci-dessous.

Dans un avenir proche, mes recherches se développeront sur l’haptique, la manipulation habile et l’interaction homme-robot. Un plan pour ces efforts suivra dans la partie 5.

  1. Reconnaissance de forme tactile à l’aide d’invariants différentiels.
    Doctorat l’étudiant Rinat Ibrayev et moi avons étudié comment reconnaître les formes délimitées par des courbes polynomiales de bas degré en utilisant des données tactiles minimales. Le problème généralise la reconnaissance basée sur un modèle traditionnel en ce sens que chaque modèle n’est plus seulement une forme spécifique, mais plutôt une famille d’un continuum de formes paramétriques.
    Les invariants différentiels et semi-différentiels ont l’avantage d’exiger uniquement des données locales (qui sont fournies par des capteurs tactiles). Les invariants que nous avons dérivés sont indépendants non seulement de la translation et de la rotation (en tant qu’invariants utilisés en vision par ordinateur) mais également des points limites auxquels ils sont évalués. En théorie, au plus trois de ces points sont nécessaires pour les courbes quadratiques et les courbes splines cubiques.
    Ces invariants nous permettent de distinguer une famille de courbes d’une autre et de déterminer la forme réelle hors de la famille reconnue. En outre, les emplacements de contact auxquels les données tactiles ont été obtenues peuvent également être estimés, d’où le placement relatif du doigt sur la forme devient connu. Par conséquent, l’approche basée sur les invariants a le potentiel d’unifier la reconnaissance de forme, la récupération et la localisation comme la main humaine le fait inconsciemment tous les jours.
    Nous avons mené des expériences préliminaires avec de vraies données tactiles pour soutenir la validité de cette approche. Une méthode stable est conçue pour estimer la courbure et sa dérivée.
    Des travaux préliminaires sur ce sujet ont été rapportés lors de la Conférence internationale 2004 de l’IEEE sur la robotique et l’automatisation (ICRA). Une version plus complète (avec quelques résultats expérimentaux) a été présentée à l’atelier international de 2004 sur les fondements algorithmiques de la robotique (WAFR) et a été sélectionnée pour un numéro spécial de l’International Journal of Robotics Research (IJRR) en 2005.
    Extensions futures: Nous étendrons la conception des invariants à des courbes plus générales utilisées dans les applications et construirons un arbre de reconnaissance pour les formes courbes 2D pouvant être recherchées avec une requête générée sur des données tactiles. Ensuite, nous passerons à l’étude de la reconnaissance invariante des formes courbes en 3D (qui est un sujet de thèse de doctorat potentiel pour Rinat).
  2. Localisation et reconstruction de pièces avec capteurs tactiles
    Inspiré par la capacité de la main humaine à déterminer son placement sur un objet familier par le traçage des doigts et le tâtonnement, j’ai montré comment localiser une forme courbe 2D en faisant rouler une mâchoire équipée d’un capteur tactile. Les informations mesurables comprennent à quel point la mâchoire a tourné et jusqu’où elle s’est déplacée sur la forme.
    J’ai conçu un algorithme numérique qui calcule la configuration de la mâchoire après le mouvement de roulement. L’algorithme est complet et la quantité de calcul numérique est asymptotiquement optimale. La localisation a été démontrée par des expériences sur un robot. Au lieu d’utiliser des capteurs de force / couple industriels (qui sont chers et parfois excessifs pour les expériences de laboratoire), j’ai mis en œuvre un capteur de force / couple à 3 axes qui peut détecter l’emplacement des contacts. Des résultats progressifs sur le travail de localisation ont été présentés à l’ICRA 2000 et aux conférences internationales IEEE / RSJ de 2001 et 2003 sur les robots et les systèmes intelligents (IROS). Un résumé a été conditionnellement accepté pour les transactions IEEE sur la robotique.
    Pendant ce temps, Doctorat. L’élève Liangchuan Mi a montré comment un simple capteur tactile comme un joystick peut être utilisé pour reconstruire des formes courbes planes sans pratiquement aucune perte de précision de forme. Malgré la détection de force limitée du joystick, il peut générer des mesures de contact précises en tirant parti de la haute précision de position d’un robot Adept. Liangchuan a mis au point une stratégie de contrôle de position très efficace qui prédit la direction du mouvement à l’étape suivante sur la base de la lecture de la force actuelle et d’un ajustement polynomial à l’historique de suivi local. Ce travail sera présenté à l’IROS 2004 au Japon.
    Extensions futures: La localisation d’un objet par rapport à la main au toucher changera le paradigme de la saisie en robotique où actuellement la détection est souvent réalisée à l’avance par un système de vision ou par des capteurs détachés de la main. Une enquête plus approfondie sur l’interprétation du «sentiment» par le toucher, je crois, permettra une intégration étroite entre la détection et le contrôle. La prochaine étape consistera à étudier des stratégies de saisie basées sur la rétroaction et plus résistantes aux erreurs et aux incertitudes. Pendant ce temps, le travail de suivi de forme sera étendu à la reconstruction de surfaces 3D, que j’espère que Liangchuan étudiera avec moi dans son doctorat. travail de thèse.
  3. Calcul de courbes et recherche de grappes antipodales.
    La recherche de sous-structures géométriques liées aux courbes (telles que les tangentes communes et les points antipodaux) peut être formulée comme une programmation non linéaire traditionnelle. Mais une telle solution ne serait ni complète ni efficace en raison de la nature locale inhérente des méthodes de programmation non linéaire. J’ai démontré que, en deux dimensions, l’efficacité de calcul et (presque) l’exhaustivité peuvent être obtenues en exploitant la géométrie globale et différentielle.
    J’introduis un schéma de traitement de courbe qui dissèque une courbe en segments monotones (sur la base de certains critères spécifiques à la tâche), puis couple des couples marchant avec une bissection numérique sur ces segments pour rechercher les sous-structures souhaitées. Pour illustrer cette idée, je présente un algorithme efficace qui calcule, jusqu’à la résolution numérique, toutes les paires de points antipodaux sur une forme courbe plane. Ces points sont utilisés pour obtenir des prises stables de la forme. L’algorithme utilise de nouvelles informations sur la géométrie différentielle en deux points antipodaux et utilise un sous-programme pour construire toutes les tangentes communes de deux segments de courbe. Le taux de convergence numérique et le temps d’exécution de l’algorithme ont été déterminés.
    Le travail représente une avancée sur le calcul impliquant des courbes paramétriques, et donne également une solution très satisfaisante à l’un des problèmes bien connus de la saisie robotique. Il est décrit dans un document de 31 pages de l’IJRR en 2004.
    De plus, j’ai également appliqué le schéma de calcul de courbe ci-dessus pour construire des coques convexes pour des courbes planes paramétriques fermées. Ce travail est résumé dans une soumission de 51 pages à Computational Geometry: Theory and Applications.
  4. Détection robotique géométrique et dynamique (thèse de doctorat)
    Mon travail de thèse a étudié les stratégies de détection géométrique et mécanique pour les objets de formes connues (qui incluent les pièces industrielles et les objets de bureau courants). J’ai d’abord présenté deux stratégies qui utilisent des contraintes géométriques simples pour immobiliser l’objet ou pour distinguer sa pose réelle d’un nombre fini de poses apparentes. Les problèmes de complexité informatique sont examinés. J’ai ensuite développé une stratégie de détection appelée «pose et mouvement par contact». En appliquant la théorie de l’observabilité non linéaire, j’ai démontré que les informations sur les tâches essentielles sont souvent cachées dans les interactions mécaniques et j’ai montré comment ces informations peuvent être correctement révélées. Des observateurs non linéaires ont été conçus à cet effet.
    Le travail de thèse a été effectué à l’Université Carnegie Mellon. La plupart des résultats ont été publiés dans deux articles de l’IRJR (28 pages et 25 pages, respectivement) en 1996 et 1999. Un résultat indépendant (sur l’observabilité locale d’un objet 3D roulant sur une paume imprégnée de capteurs tactiles) a été présenté au WAFR en 1998.
  5. Plan de recherche futur
    Outre les efforts continus sur la reconnaissance et la reconstruction des formes tactiles, comme indiqué dans les parties 1 et 2, mon futur programme de recherche comprendra également l’haptique, la manipulation habile et l’interaction homme-robot.
    L’un des problèmes ouverts en haptique est de faire face aux retards de réponse qui provoquent souvent l’instabilité d’un système haptique. Cela est principalement dû à l’absence d’un modèle fiable de l’environnement physique. Pendant ce temps, beaucoup reste à étudier dans le rendu haptique sur l’utilisation de mesures sur des environnements réels pour construire des modèles de formes physiques, de rigidité, de texture, etc. Pour accélérer la réponse, les mesures tactiles peuvent être combinées avec des connaissances a priori pour construire une ébauche modèle de l’environnement (local). Un tel modèle fournit des informations telles que la forme, la rigidité, etc. Il sera ensuite affiné lors des interactions entre le domestique et l’environnement sous la direction de l’utilisateur. Avec plusieurs utilisateurs interagissant avec le même environnement, la fusion de données tactiles et la planification de parcours font également partie des sujets de recherche intéressants.
    Dans la manipulation habile, je voudrais aborder le problème de la manipulation d’un objet tout en explorant ses propriétés géométriques et physiques, avec ou sans vision. Les applications incluent des tâches à haut degré de complexité, telles que les chirurgies robotiques et assistées par robot, l’exploration spatiale et la robotique domestique (tâches allant du remplacement d’une ampoule au nettoyage de la vaisselle sur la table du dîner). Le problème lui-même est un domaine représentatif où plusieurs domaines de recherche en robotique se rejoignent: dynamique et contrôle de la main; observabilité de l’objet; saisir sous des contraintes dynamiques; planification de la trajectoire de manipulation; récupération / estimation de la forme, des textures, de la rigidité, etc .; et fusion de capteurs (par exemple, en présence de plusieurs capteurs tactiles ou d’un système de vision). Les travaux existants se sont principalement concentrés sur l’un des domaines ci-dessus, parfois sous des hypothèses restreintes, de sorte que les résultats ne sont pas assez généraux pour être applicables à des tâches réelles avec des degrés de complexité raisonnables. De toute évidence, des efforts sont nécessaires pour comprendre leurs rôles et interactions et pour caractériser les résultats dans un cadre unifié afin qu’il y ait une percée majeure dans le domaine. Une telle compréhension et sa vérification expérimentale seront nécessaires avant l’avènement des robots à usage général. Je suis conscient que cette recherche peut s’avérer être une entreprise scientifique à long terme, mais des efforts dévoués en valent certainement la peine.
    Un autre domaine intéressant que j’espère explorer à l’avenir est l’interaction homme-robot. Comment faire apprendre au robot des techniques de manipulation lorsqu’il est entraîné par un humain? Un robot et un humain peuvent-ils participer physiquement à un jeu comme le poker comme le font deux humains (distribuer des cartes, mélanger des cartes, etc.)? L’apprentissage devrait jouer un rôle important, sauf que les compétences à améliorer se présentent sous la forme d’algorithmes de contrôle traitant principalement de la mécanique. Sur la base des interactions, le coach humain devrait toujours être en mesure d’accélérer le processus «d’apprentissage» en reprogrammant des connaissances raffinées dans le robot.
    J’imagine que mon laboratoire deviendra un groupe de recherche avec au moins cinq étudiants diplômés et quelques assistants de recherche de premier cycle, au cours des prochaines années. Trois ou quatre ans plus tard, le groupe devrait obtenir au moins un doctorat. chaque année. Je travaillerai dur pour maintenir le flux d’étudiants diplômés et la production intellectuelle du laboratoire. Un soutien financier suffisant et une stratégie de recrutement étudiante agressive sont tous deux essentiels pour atteindre les objectifs ci-dessus. Avec ces efforts, je m’efforcerai de faire du laboratoire un lieu de robotique visible fortement orienté vers la géométrie, le toucher et la dextérité du robot.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *