Combining interaction and perception to determine the physical properties of the robot environment
[ 1 ] Instytut Robotyki i Inteligencji Maszynowej, Wydział Automatyki, Robotyki i Elektrotechniki, Politechnika Poznańska | [ D ] phd student
[ 1 ] Instytut Robotyki i Inteligencji Maszynowej, Wydział Automatyki, Robotyki i Elektrotechniki, Politechnika Poznańska | [ P ] employee
[ 1 ] Instytut Robotyki i Inteligencji Maszynowej, Wydział Automatyki, Robotyki i Elektrotechniki, Politechnika Poznańska | [ P ] employee
PL Łączenie interakcji i percepcji dla określenia właściwości fizycznych otoczenia robota
english
- machine learning
- haptic perception
- multimodal fusion
- uczenie maszynowe
- percepcja haptyczna
- fuzja multimodalna
EN Robot perception is a developing field that requires a robot to understand its environment and adapt to unpredictable situations. However, current perception systems have limited ability to recognize the tactile properties of the environment. The dissertation aims to create a low-cost and computationally efficient perception system that provides information for on-board systems such as localization, obstacle avoidance, and manipulation strategy. The methodology is based on artificial intelligence, mainly machine learning and deep learning. The dissertation presents deep learning methods in classifying surfaces touched by the robot and in regressing the physical parameters of the surfaces. Unsupervised learning is also crucial for understanding the sensory data properties. Robot perception resilience is essential for practical implementation and is enhanced by utilizing attention modules.
PL Percepcja robotyczna to rozwijająca się dziedzina wymagająca od robota zrozumienia otoczenia i jego dostosowania do nieprzewidywalnych sytuacji. Obecne systemy percepcji mają jednak ograniczoną zdolność rozpoznawania właściwości taktylnych otoczenia. Rozprawa ma na celu stworzenie taniego i mało wymagającego obliczeniowo systemu percepcji, który dostarczy informacje dla systemów działających na pokładzie robota, takie jak lokalizacja, unikanie przeszkód czy strategia manipulacji. Metodyka pracy opiera się na sztucznej inteligencji, głównie na uczeniu maszynowym i głębokim uczeniu. Rozprawa przedstawia metody głębokiego uczenia w klasyfikacji powierzchni dotykanych przez robota oraz w zadaniu regresji parametrów fizycznych powierzchni. Uczenie nienadzorowane jest również kluczowe dla zrozumienia właściwości danych sensorycznych. Odporność percepcji robota jest ważna dla rzeczywistego wdrożenia i jest zwiększana poprzez wykorzystanie modułów atencji.
127
automation, electronics, electrical engineering and space technologies
DrOIN 2281
public
Bogdan Kwolek
Kraków, Polska
27.06.2023
polish
public
Tomasz Trzciński
Warszawa, Polska
13.06.2023
polish
public
dissertation
Poznań, Polska
10.10.2023
Rada Dyscypliny Automatyka, Elektronika, Elektrotechnika i Technologie Kosmiczne Politechniki Poznańskiej
doktor nauk technicznych w dyscyplinie: automatyka, elektronika, elektrotechnika i technologie kosmiczne