Visually guided movements learning with modular neural maps

Visually guided movements: learning with modular neural maps in robotics Jean-Luc Buessler, Jean Philippe Urban Neural Networks 11(1998)1395 -1415

Indice • • Introduction Modular neural approaches Visual servoing Results

Introducción • ANN para control adaptativo – Robusto a cambios en el sistema y en el entorno • Modularidad: implementación de tareas complementarias y solapadas – El entrenamiento de redes modulares no es trivial

Introduccion • Proposición • La arquitectura de la red neuronal modular puede diseñarse para favorecer el aprendizaje • La arquitectura bidireccional se basa en el principio de interconexión recíproca • Un módulo produce la transformacion hacia delante y hacia atrás de los datos.

Introducción • Aplicación: visual servoing de un brazo robotizado. • Los módulos neuronales sirven para transformar la información visual en comandos de control motor • El entrenamiento es completamente on-line y simultaneo

Introducción • Hay una considerable reducción de la complejidad • La representación interna tiene significación física

Modular approach • Necesidad de módulos • Descomposición en tareas (Brooks) y en niveles jerárquicos • Simplicidad • Robusted • Flexibilidad

Modular approach • Un módulo está definido por sus flujos de datos • Los datos que van de un módulo a otro constituyen una representación interna • Ningún módulo recibe toda la información

Aproximaciones neuro-control • Widrow: estima la planta, la planta inversa y el controlador • Multiples representaciones: mas adecuada para el control del movimiento

Modular neural systems • Clases de estructuras – Procesos sucesivos o composición funcional – Combinaciones de decisiones – Partición del espacio input

Modular neural systems • Global adaptation • La información para el entrenamiento es global • Corresponde a los flujos de datos en el sistema • Técnicas globales basadas en la minimización del error global • Técnicas locales en función de las especificaciones locales de los módulos

Modular neuro-systems • Neuromodule – Muestra una distinción en los datos • Parte de los datos sensoriales (el flujo de selección) se usa para seleccionar un estado discreto que corresponde con la activación de un conjunto de neuronas • Los datos input propiamente dichos

modular • Algoritmos – La capa de selección esta basada en SOM – La capa de acción esta basada en la ADALINA – Velocidad de aprendizaje constante – Adaptación localizada a la columna seleccionada

Neuromodule • Respuesta: selección competitiva Euclídea y respuesta lineal • Auto-adaptación: mediante la regla del minimo cuadrado normalizado • Memorización: mediante SOM se entrena la capa selectiva

Modular • Neuromodulos en serie – Aprendizaje local de cada neuromodulo basado en datos globales – Ejemplo: guiado de un brazo basado en información visual • Un modulo procesa la información visual • Un módulo calcula los comandos motores

Aprendizaje sistema modular • Aprendizaje bidireccional – Cada columna tiene dos matrices de actuador – Los flujos directo e inverso intermedios e tienen que ser el mismo: el error a minimizar es la diferencia entre los flujos de datos inter-modulo – El aprendizaje local se define como minimización del error cuadrático

aprendizaje • Normalización: el algoritmo estima los pesos hasta un factor de escala. • Los pesos crecen o decrecen sin límite • La regla de adaptación fuerza que la adaptación de los pesos tenga media cero

Visual servoing • Se realiza cuando la visión artificial proporciona un lazo cerrado de control de posición a un efector robótico • El error se define como la distancia en coordenadas imagen entre el efector y el objeto/posición objetivo

Adaptive visual servoing • Se basa en • La definición de las caracteristicas visuales (Coordenadas objetivo) • El error considerado es la diferencia entre la posición visual del efector y el objetivo • Conocemos una transformación entre la configuración física del efector y la posición visual • El servo se basa en la aproximación diferencial que calcula variaciones en el espacio de configuración en lugar de calcular directamente la posición final

Visual servoing • Realimentación de aprendizaje – Se basa en la aplicación de la inversa del Jacobiano de los parametros de configuración – Los métodos adaptativos calculan iterativamente un estimador del Jacobiano inverso – La aproximación se usa para estimar los comandos motores (variaciones en el espacio de configuración)

Visual servoing • Neuromodulo: estimación del Jacobiano inverso y de los comandos de control motor • Activa la columna en la capa de actuacion • Determina un nuevo estimador del Jacobiano inverso • Calcula la respuesta • Adaptación de los pesos

Visual servoing • Visión activa: • Control de pan, tilt y zoom de las camaras • Permite seguir de forma continuada al efector • La matriz Jacobiana inversa se puede descomponer en dos que corresponden al contro de la cámara y al del efector • Se encadenan dos neuromodulos correspondiendo a los controles de la cámara y el efector

Visual servoing • Reaching and grasping – Dos módulos que controlan • la posición espacial de la garra • La orientación de la garra

experimentos • Se mide la desviación de la trayectoria respecto de la deseada, además de la posición final

experimentos • Aprendizaje de control con cámara estatica • Se presentan posiciones objetivo y la red se entrena on-line

experimentos • Visión activa: la red sigue al efector con movimientos sacádicos de las camaras

experimentos • Insensibilidad a las condiciones iniciales de los pesos en los módulos medida en desviación promedio de la trayectoria

experimentos