29 mar 2021
16:00 Defesa de Mestrado Integralmente a distância
Tema
Object Affordance Learning Through Robotic Interaction
Aluno
Renan Lima Baima
Orientador / Docente
Esther Luna Colombini
Breve resumo
A aprendizagem de affordance de objetos é a capacidade de processar informações sobre objetos e como os utilizar. Embarcar este conhecimento em robôs é uma etapa essencial para o desenvolvimento de agentes inteligentes e verdadeiramente autônomos. Muitos pesquisadores propõe o desenvolvimento de agentes especializados, redes de classificadores ou soluções avançadas para cenários muito específicos, os quais todos demandam um alto poder computacional. No entanto, estas abordagens não permitem que os agentes adquiram o nível de abstração necessário exigido pelos ambientes complexos em que os mesmos serão inseridos. Este trabalho propõe o desenvolvimento de uma estrutura incremental de aprendizado de affordances para manipulação robótica. A abordagem proposta foi implementada como função de reforço em um rede com estrutura Soft Actor-Critic e treinada em simulação com um robô humanoide. Entre três diferentes complexidades de affordance (tocar, pegar e levantar o objeto), os resultados mostram uma taxa de até 95% de acerto no melhor cenário, com o agente executando adequadamente todas as ações desejadas. Ele também atingiu a affordance mais complexa esperada, o que não era possível anteriormente com o uso da estratégia baseada em objetivos. Além disso, a política treinada apresentou uma taxa de sucesso na aprendizagem de affordances de até 68,5%, mesmo quando aplicada a objetos previamente não treinados na cena do agente. Tais resultados sugerem que uma abstração dos movimentos, com base na abordagem de aprendizagem de affordances incrementais, pode ter sido alcançada.
Banca examinadora
Titulares:
| Esther Luna Colombini | IC/UNICAMP |
| Plinio Thomaz Aquino Junior | UNIFEI |
| Paula Dornhofer Paro Costa | FEEC/UNICAMP |
Suplentes:
| Sandra Eliza Fontes de Avila | IC/UNICAMP |
| Ricardo Ribeiro Gudwin | FEEC/UNICAMP |