Embodied robot systems : control and learning for skill-transfer from humans - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Embodied robot systems : control and learning for skill-transfer from humans

Système robotique incarnés : contrôle et apprentissage en vue de transfer de compétences à partir d’humains

Guillaume Gourmelen

Résumé

Most robots are better than humans in terms of their sensorsand actuators, allowing them to have higher and better perception,and faster movements and superior strength, than humans. However,what they lack is the human ability to make intelligent high leveldecisions in unstructured environments. Therefore, many currentcomplex systems, like rescue robots, UAV/UUVs, and surgery assistiverobots, utilize ‘human in the loop’ systems, where the controlis shared by both the humans and the machines. This PhD explores‘embodied robots’ as a promising phenomenon to improvehuman-in-the-loop control.By embodied robots, we refer to robots attached to the humanoperator, and which are controlled by the human operator using firstperson feedbacks (predominantly visual and haptic) that make himperceive the robot to be part of his/her self.First, we worked with an available Wearable Robot Arms (WRA)device to design an admittance controller that would let humanoperators control and use it intuitively.Second, we developed an embodied teleoperation system for a7DoF serial manipulator by integrating the robot system with ahaptic feedback device, and virtual reality head mounted displaycoupled to a 360 degree camera.Third, for this system, we developed a procedure to estimatethe impedance of the human operator without the use ofelectromyography, and use it for impedance control of the robot,enabling users to impose both movements as well as impedance on therobot slave.Finally, we studied Learning from Demonstration (LfD) usingvisual and human motion data through our embodied system. Wepostulate that embodied systems can improve LfD by enablingkinesthetic teaching without lose of the operator’s point of viewand force sensation. Indeed in such systems it is possible to recordevery motion, vision and feeling the human would have, making itideal for the implementation of machine learning techniques. Todemonstrate this idea, we developed a task requiring humanparticipants to move through a maze in the presence of various forcefields. We then trained a deep learning network agent on thesebehaviors. By using a state of the art pre-trained Residual Networksand Gated Recurrent Units, the machine learning agent was able tolearn ‘human-like’ movements and generalize, and predict humanbehavior in trajectories that it was never trained on.We conclude this work with a discussion of the achieved resultsand future perspectives of research in the field of embodied controland Learning from Demonstration.
La plupart des robots sont meilleurs que les humains en termes de capteurs et d'actionneurs, ce qui leur permet d'avoir une meilleure perception, des mouvements plus rapides et une force supérieure à celle des humains. Cependant, il leur manque la capacité humaine à prendre des décisions intelligentes de haut niveau dans des environnements non structurés. Par conséquent, de nombreux systèmes complexes actuels, tels que les robots de sauvetage, les UAV/UUV et les robots d'assistance chirurgicale, utilisent des systèmes "humains dans la boucle", où le contrôle est partagé entre l’humain et la machine. Cette thèse explore les "robots incarnés" comme un phénomène prometteur pour améliorer le contrôle humain dans la boucle.Par robots incarnés, nous nous référons aux robots attachés à l'opérateur humain, et qui sont contrôlés par l'opérateur humain en utilisant des retours d’informations (principalement visuel et haptique) qui lui font percevoir le robot comme une partie de soi-même.Tout d'abord, nous avons travaillé avec un dispositif de bras de robot portable disponible pour concevoir un contrôleur d'admitance qui permettrait aux opérateurs humains de le contrôler et de l'utiliser intuitivement.Deuxièmement, nous avons développé un système de téléopération incarné (Embodied) pour un manipulateur série 7DoF en intégrant le système robotique avec un dispositif de retour haptique et un casque de réalité virtuelle couplé à une caméra à 360 degrés.Troisièmement, pour ce système, nous avons mis au point une procédure permettant d'estimer l'impédance de l'opérateur humain sans avoir recours à l'électromyographie, et de l'utiliser pour contrôler l'impédance du robot, ce qui permet aux utilisateurs d'imposer à la fois des mouvements et une impédance au robot.Dernièrement, nous avons étudié l’apprentissage par démonstration en utilisant des informations visuelles et de mouvement humain à travers le système incarné afin pouvoir entrainer un agent à reproduire des mouvements humains.Nous postulons que les systèmes incarnés peuvent améliorer l'apprentissage par la démonstration en permettant un enseignement kinesthésique sans perte du point de vue de l'opérateur et de la sensation de force. En effet, dans de tels systèmes, il est possible d'enregistrer tous les mouvements, toutes ce que a été vu et toutes les sensations d'un être humain, ce qui en fait un outil idéal pour la mise en œuvre de techniques d'apprentissage. Pour démontrer cette idée, nous avons développé une tâche demandant à des participants humains de déplacer un curseur dans un labyrinthe en présence de différents champs de force. Nous avons ensuite entraîné un agent de réseau d'apprentissage profond sur ces comportements. En utilisant des réseaux dernier cri tels que ResNet(Residual Networks) et des Gated Recurrent Units, l'agent a été capable d'apprendre des mouvements "semblables à ceux des humains", de les généraliser et de prédire le comportement humain dans des trajectoires sur lesquelles il n'avait jamais été formé.Nous concluons ce travail avec une discussion portant sur les resultats obtenus et les perspectives en ce qui concerne la recherche dans les domaines du controle de robot incarnés et de l’apprentissage par démonstration.
Fichier principal
Vignette du fichier
GOURMELEN_2022_archivage.pdf (24.21 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04124264 , version 1 (09-06-2023)

Identifiants

  • HAL Id : tel-04124264 , version 1

Citer

Guillaume Gourmelen. Embodied robot systems : control and learning for skill-transfer from humans. Human-Computer Interaction [cs.HC]. Université de Montpellier, 2022. English. ⟨NNT : 2022UMONS091⟩. ⟨tel-04124264⟩
101 Consultations
15 Téléchargements

Partager

Gmail Facebook X LinkedIn More