Cogni&ve Compliant Interac&on in Mo&on - - - PowerPoint PPT Presentation

CogIMon

Cogni&ve ¡Compliant ¡Interac&on ¡ in ¡Mo&on ¡ ¡ ¡-­‑ ¡ ¡ ¡COGIMON ¡

Target ¡ability ¡for ¡step ¡change: ¡ ¡ ¡ human-­‑robot ¡interac&on, ¡team ¡interac&on ¡ ¡ ¡ Objec&ves: ¡

• understand ¡impedance ¡regula&on ¡in ¡human ¡team ¡interac&on ¡
• provide ¡robot ¡full-­‑body ¡variable ¡impedance ¡actua&on ¡& ¡control ¡
• develop ¡system ¡development ¡tools ¡ ¡
• increase ¡adaptability, ¡dependability, ¡flexibility ¡ ¡

¡

¡ Partner: ¡ Bielefeld ¡University ¡(Coordinator), ¡EPFL, ¡Santa ¡Lucia ¡Founda&on, ¡ Tübingen ¡University, ¡IIT, ¡Birmingham ¡University, ¡Imperial ¡College ¡ ¡

CogIMon

Scien&fic ¡goals ¡ ¡(step ¡changes): ¡

CogIMon

Full body compliant throwing & catching Scenario roadmap Locomotion in compliant contact Multi-arm compliant handling Human-robot therapeutic juggling Multi Coman-Human interaction Safety-integrated modeling

• f compliant

interaction

stepping for catching code generation for compliant interaction simplified skills in full model based engineered scenario joint skills & capabilities: force primitives, prediction from human motion, control and adaptation in contact situation, contact switching impedance control in compliant interaction smooth change

• f contact

CogIMon What ¡are ¡the ¡main ¡AICo ¡techniques ¡used ¡in ¡your ¡project?* ¡ ¡

¡ Machine ¡Learning ¡Techniques: ¡

• Imi&ta&on ¡Learning ¡for ¡(Force, ¡Impedence, ¡Compliance) ¡ ¡

Mo&on ¡Primi&ves ¡

• unsupervised ¡Clustering ¡
• Policy ¡Op&miza&on ¡
• Gaussian ¡Mixture ¡Models ¡(movements, ¡self-­‑collision, ¡modeling) ¡
• CMA-­‑ES ¡& ¡Reinforcement ¡Learning ¡
• various ¡regression ¡and ¡predic&on ¡techniques ¡
• data ¡analysis ¡ ¡ ¡
• visual ¡percep&on ¡

* ¡The ¡following ¡answers ¡reflect ¡the ¡coordinator‘s ¡personal ¡view ¡(J. ¡Steil), ¡not ¡necessarily ¡the ¡all ¡opinions ¡in ¡the ¡consor&um ¡

CogIMon What ¡are ¡the ¡main ¡technological ¡challenges ¡in ¡ your ¡project ¡that ¡these ¡AICo ¡techniques ¡are ¡meant ¡ to ¡address? ¡ ¡

¡

Objec&ves: ¡

• understand ¡impedance ¡regula&on ¡ ¡
• provide ¡robot ¡full-­‑body ¡variable ¡impedance ¡actua&on ¡& ¡control ¡
• provide ¡impedance-­‑based ¡skills ¡
• increase ¡adaptability, ¡dependability, ¡flexibility ¡ ¡

Examples: ¡ ¡

• so\ ¡catching ¡& ¡throwing ¡
• task-­‑adpata&on ¡in ¡computed ¡torque ¡control ¡ ¡
• predic&on ¡of ¡dynamic ¡parameters ¡from ¡kinema&cs ¡
• in ¡all ¡scenarios: ¡fast, ¡online ¡adapta&on ¡in ¡the ¡real ¡world ¡

CogIMon

¡

Have ¡you ¡found ¡these ¡techniques ¡mature ¡enough ¡to ¡use ¡ in ¡a ¡robo&c ¡system? ¡ ¡

• Yes. ¡We ¡have ¡developed ¡many ¡of ¡these ¡methods. ¡ ¡

But ¡we ¡will ¡see ¡... ¡

¡

What ¡is ¡missing ¡? ¡

integra&on ¡in ¡full ¡systems, ¡mul&-­‑level ¡learning, ¡ ¡ cogni&on ¡on ¡system ¡level ¡(e.g. ¡a_en&on, ¡memory, ¡delibera&on, ¡...) ¡ ¡

CogIMon Have ¡you ¡found ¡that ¡these ¡techniques ¡add ¡value ¡to ¡your ¡ project ¡or ¡product? ¡More ¡or ¡less ¡than ¡you ¡expected? ¡Why? ¡ ¡

Not ¡applicable. ¡ ¡ ¡ All ¡partners ¡have ¡been ¡developing ¡and ¡working ¡with ¡learning ¡ Methods ¡for ¡a ¡long ¡&me ¡... ¡ ¡ My ¡general ¡remark: ¡ ¡ There ¡is ¡hardly ¡serious ¡research ¡towards ¡the ¡real ¡world ¡ ¡ without ¡substan&al ¡involvement ¡of ¡machine ¡learning ¡any ¡more ¡... ¡ ¡