Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Learning Robot Navigation Behaviors by Demonstration Using a RRT Planner Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

A Framework for Modelling Local Human-Robot Interactions Based on Unsupervised Learning

verfasst von : Rafael Ramón-Vigo, Noé Pérez-Higueras, Fernando Caballero, Luis Merino

Erschienen in: Social Robotics

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper addresses the problem of teaching a robot interaction behaviors using the imitation learning paradigm. Particularly, the approach makes use of Gaussian Mixture Models (GMMs) to model the physical interaction of the robot and the person when the robot is teleoperated or guided by an expert. The learned models are integrated into a sample-based planner, an RRT*, at two levels: as a cost function in order to plan trajectories considering behavior constraints, and as configuration space sampling bias to discard samples with low cost according to the behaviors. The algorithm is successfully tested in the laboratory using an actual robot and real trajectories examples provided by an expert.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Personalization Framework for Adaptive Robotic Feeding Assistance
Nächstes Kapitel Using Games to Learn Games: Game-Theory Representations as a Source for Guided Social Learning
Fußnoten
Literatur
1.
Abbeel, P., Ng, A.Y.: Apprenticeship learning via inverse reinforcement learning. In: Proceeding of the Twenty-First International Conference on Machine Learning, ICML 2004, pp. 1–6. ACM, New York (2004)
2.
Argali, B., Chernova, S., Veloso, M., Browning, B.: A survey of robot learning from demonstrations. Robot. Auton. Syst. 57, 469–483 (2009)CrossRef
3.
Calinon, S.: Robot Programming by Demonstration: A Probabilistic Approach. EPFL/CRC Press, Boca Raton (2009)
4.
Calinon, S., Billard, A.: A probabilistic programming by demonstration framework handling constraints in joint space and task space. In: Proceeding IEEE/RSJ International Conference on Intelligent Robots and Systems, IROS (2008)
5.
Claassens, J.: A RRT-based path planner for use in trajectory imitation. In: Proceeding of the International Conference on Robotics and Automation, ICRA, pp. 3090–3095. IEEE (2010)
6.
Dempster, A.P., Laird, N.M., Rubin, D.B.: Maximum likelihood from incomplete data via the EM algorithm. J. Roy. Stat. Soc.: Ser. B 39(1), 1–38 (1977)MathSciNetMATH
7.
Ferrer, G., Garrell, A., Sanfeliu, A.: Robot companion: a social-force based approach with human awareness-navigation in crowded environments. In: Proceeding of the IEEE/RSJ International Conference on Intelligent Robots and Systems, IROS. pp. 1688–1694 (2013)
8.
Henry, P., Vollmer, C., Ferris, B., Fox, D.: Learning to navigate through crowded environments. In: Proceeding of the International Conference on Robotics and Automation, ICRA, pp. 981–986 (2010)
9.
Islas Ramírez, O., Khambhaita, H., Chatila, R., Chetouani, M., Alami, R.: Robots learning how and where to approach people. In: RO-MAN 2016 25th, IEEE International Symposium on Robot and Human Interactive Communication (2016, to appear)
10.
Karaman, S., Frazzoli, E.: Sampling-based algorithms for optimal motion planning. Int. J. Robot. Res. 30(7), 846–894 (2011)CrossRefMATH
11.
Luber, M., Spinello, L., Silva, J., Arras, K.: Socially-aware robot navigation: a learning approach. In: Proceeding of the IEEE/RSJ International Conference on Intelligent Robots and Systems, IROS, pp. 797–803. IEEE (2012)
12.
Okal, B., Gilbert, H., Arras, K.O.: Efficient inverse reinforcement learning using adaptive state-graphs. In: Learning from Demonstration: Inverse Optimal Control, Reinforcement Learning and Lifelong Learning Workshop at Robotics: Science and Systems (RSS), Rome, Italy (2015)
13.
Perez-Higueras, N., Ramon-Vigo, R., Caballero, F., Merino, L.: Robot local navigation with learned social cost functions. In: Proceeding of the 11th International Conference on Informatics in Control, Automation and Robotics, ICINCO, vol. 02, pp. 618–625 (2014)
14.
Ramon-Vigo, R., Perez-Higueras, N., Caballero, F., Merino, L.: Analyzing the relevance of features for a social navigation task. Robot 2015: Second Iberian Robotics Conference. AISC, vol. 418, 10.1007/978-3-319-27149-119 edn, pp. 235–246. Springer, Heidelberg (2016)CrossRef
15.
16.
Trautman, P., Krause, A.: Unfreezing the robot: Navigation in dense, interacting crowds. In: Proc. of the IEEE/RSJ International Conference on Intelligent Robots and Systems, IROS, pp. 797–803. IEEE (2010)
Metadaten
Titel
A Framework for Modelling Local Human-Robot Interactions Based on Unsupervised Learning
verfasst von
Rafael Ramón-Vigo
Noé Pérez-Higueras
Fernando Caballero
Luis Merino
Copyright-Jahr
2016
Buch
Social Robotics

Print ISBN: 978-3-319-47436-6

Electronic ISBN: 978-3-319-47437-3

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-47437-3_4