REPOZITORIJ > REZULTATI

Povzetek

Cilj prizadevanj za avtonomno učenje robotov je omogočiti robotom, da se nemoteno vključijo
v naše vsakdanje življenje ter povečajo našo učinkovitost in udobje. Po drugi strani
pa ima v industrijskem sektorju avtonomno učenje robotov ključno vlogo pri sledenju hitro
razvijajočim se zahtevam trga. Ker se izdelki in procesi hitro spreminjajo, se lahko
roboti, opremljeni s sposobnostmi avtonomnega učenja, hitro prilagodijo in optimizirajo
svoje delovanje, kar vodi k večji produktivnosti in konkurenčnosti.
V tej disertaciji je generiranje obnašanja robotov obravnavano na različnih ravneh
kompleksnosti. Na začetku naslovimo metode avtonomne optimizacije, nato preidemo
na avtonomno prilagajanje in nazadnje raziskujemo možnosti popolnoma avtonomnega
generiranja obnašanja.
Namestitev ali celo samo modifikacija robotsko podprte proizvodnje in kontrole kakovosti
je zahteven proces, ki običajno zahteva sodelovanje človeškega strokovnjaka. Dobljeni
parametri, npr. hitrosti robota, ki jih določi strokovnjak, so pogosto subjektivni in neoptimalni.
Zato v prvem delu doktorske naloge prikažemo metodo avtonomne optimizacije
trajektorije za ponavljajočo se nalogo. Predlagamo nov pristop za generiranje trajektorij
vizualnega pregleda obdelovancev na podlagi CAD-modelov. Strokovnjak mora izbrati le
želene točke na poti pregleda, po katerih naj robot premika kamero. Preostali del pristopa
je popolnoma samodejen.
V drugem delu disertacije razširimo avtonomijo obnašanja robota na prilagajanje celotnega
industrijskega procesa. Robotsko vizualno pregledovanje temelji na vnaprej določenih
položajih med kamero in predmetom, pogosto pa mora robot premikati kamero
v roki okoli predmeta. Pot robota je običajno vedno enaka, določena vnaprej. Da pa bi
lahko preverili le izbrano podmnožico od vseh možnih vidikov izdelka, moramo ustvariti
vse možne prehode med vsemi možnimi vidiki. To je počasen in zamuden postopek. Zato
predlagamo metodo, ki lahko uporabi nevronsko mrežo za razvrščanje delov samo glede na
možne napake. Rezultati klasifikacije omogočajo izključitev nekaterih vidikov, kar učinkovito
prihrani čas na proizvodni liniji. Poudarek je na prilagodljivi naravi te industrijske
naloge, ki prikazuje sposobnost pospeševanja procesov in izboljšanja splošne učinkovitosti
v industrijskih okoljih.
V tretjem delu disertacije je raziskano ustvarjanje poti za dinamične naloge, ki vključujejo
kompleksno reševanje problemov in zahtevajo več kot le preprosto ponavljanje gibanja.
Zaradi dolgotrajne narave učenja robotov se za pospešitev procesa pogosto uporabljajo simulacije.
Medtem ko je popolno učenje veščin v simulacijah obsežno raziskano in ne sodi
v okvir tega dela, se osredotočamo na učinkovit prenos znanja iz simulacij v realni svet.
Na začetku globoka nevronska mreža kodira spretnost v eni domeni, ki jo pozneje z delnim
prekvalificiranjem z uporabo realnih podatkov prilagodi za ciljno domeno. Naš predlagani
pristop združuje povratno razširjanje in učenje z ojačitvijo za prekvalifikacijo, pri čemer
izkazuje znatne izboljšave hitrosti v primerjavi s posameznimi metodami in desetkratni
pospešek v primerjavi z učenjem od začetka. Kot primer tega pristopa ga uporabimo za
zahtevno nalogo robotskega metanja, ki vključuje dinamične elemente in ni odvisna le od
končnega položaja gibanja robota.