A recurrent neural network for variable admittance control in human–robot cooperation: simultaneously and online adjustment of the virtual damping and Inertia parameters

2020 ◽  
Vol 4 (4) ◽  
pp. 441-464 ◽  
Author(s):  
Abdel-Nasser Sharkawy ◽  
Panagiotis N. Koustoumpardis ◽  
Nikos Aspragathos
Keyword(s):  
Neural Network ◽  
Recurrent Neural Network ◽  
Admittance Control ◽  
Inertia Parameters ◽  
Robot Cooperation

scholarly journals Intelligent control and impedance adjustment for efficient human-robot cooperation

2020 ◽  
Author(s):  
Αμπντέλ-Νάσερ Μαχμούντ
Keyword(s):  
Neural Network ◽  
Intelligent Control ◽  
Kinematic Chain ◽  
Feedforward Neural Network ◽  
Admittance Control ◽  
Coupled Dynamics ◽  
Levenberg Marquardt ◽  
Multilayer Feedforward Neural Network ◽  
Robot Cooperation

Η αλληλεπίδραση ανθρώπου – ρομπότ είναι μια ερευνητική περιοχή που στοχεύει στον επιτυχή συνδυασμό των δυνατοτήτων ρομπότ και ανθρώπου. Τα ρομπότ μπορούν να βοηθήσουν τους ανθρώπους σε ζητήματα ακρίβειας, ταχύτητας και δύναμης. Επιπρόσθετα, τα ρομπότ μπορούν περιορίσουν συμπτώματα όπως το άγχος και η κούραση του χρήστη, βελτιώνοντας έτσι τις συνθήκες εργασίας του. Βέβαια, καθοριστικός παράγοντας στην υλοποίηση των παραπάνω είναι ο άνθρωπος, όπου μέσα από την εμπειρία και την τεχνογνωσία εκτέλεσης καθημερινών καθηκόντων, τη διαίσθηση του, την εύκολη μάθηση την κατανόηση και την προσαρμογή του με τις μεθόδους ελέγχου, μπορεί να εκπαιδεύσει ένα ρομπότ. Ο κορμός αυτής της διδακτορικής διατριβής χωρίζεται σε 3 μέρη: το πρώτο μέρος έχει να κάνει με την ασφάλεια ενώ στο δεύτερο μέρος αναλύονται οι τεχνικές ελέγχου αλληλεπίδρασης ανθρώπου – ρομπότ. Στο τρίτο μέρος, παρουσιάζονται τεχνικές βελτίωσης της αλληλεπίδρασης. Όσο αφορά την ασφαλή αλληλεπίδραση ανθρώπου-ρομπότ, προτείνεται μια προσέγγιση πολυστρωματικού πρόσθιας φόρτωσης νευρωνικού δικτύου (multilayer feedforward Neural Network) για τον εντοπισμό της σύγκρουσης ανθρώπου-ρομπότ καθώς και της αναγνώρισης του σχετικού συνδέσμου (link), λαμβάνοντας υπόψιν τα πρότυπα ασφαλείας. Η τοπολογία ενός νευρωνικού δικτύου σχεδιάζεται με βάση την δυναμική σύζευξης (coupled dynamics) του ρομπότ, η οποία εκπαιδεύεται με και χωρίς εξωτερικές επαφές σύμφωνα με τον αλγόριθμο του Levenberg-Marquardt που ανιχνεύει ανεπιθύμητες συγκρούσεις μεταξύ χειριστή και του εκάστοτε συνδέσμου του ρομπότ. Δυο αρχιτεκτονικές νευρωνικών δικτύων αναπτύσσονται: Η πρώτη εξαρτάται από τις θέσεις των αρθρώσεων και των αισθητήρων ροπής του ρομποτικού βραχίονα. Αυτή η αρχιτεκτονική είναι ιδιαίτερα ωφέλιμη σε συνεργατικά ρομπότ. Η δεύτερη αρχιτεκτονική βασίζεται μόνο στους αισθητήρες θέσης του ρομποτικού βραχίονα. Η δεύτερη μέθοδος μπορεί να εφαρμοστεί σε οποιοδήποτε βιομηχανικό ρομπότ. Τα πειραματικά αποτελέσματα αποδεικνύουν ότι οι προτεινόμενες μέθοδοι είναι ιδιαίτερα αποδοτικές και πολύ γρήγορες στον εντοπισμό συγκρούσεων σε ασφαλείς περιοχές, προσδιορίζοντας τον σύνδεσμο σε ολόκληρο τον χώρο εργασίας. Ανεξάρτητα (χωρίς συσχέτιση με άλλους συνδέσμους) νευρωνικά δίκτυα, ένα για κάθε άρθρωση, σχεδιάζονται και εκπαιδεύονται, χρησιμοποιώντας τα ίδια δεδομένα, και η απόδοση τους συγκρίνεται με τα εξαρτώμενα νευρωνικά δίκτυα ποσοτικά αλλά και ποιοτικά. Στο δεύτερο μέρος της διατριβής, παρουσιάζεται μια μέθοδος ελέγχου μεταβλητής εισόδου (variable admittance control) για την συνεργασία ανθρώπου – ρομπότ, εξαρτώμενη από την σύγχρονη (online) εκπαίδευση ενός νευρωνικού δικτύου. Η εικονική απόσβεση, η εικονική αδράνεια ή και οι δύο ρυθμίζονται και διερευνώνται για τη βελτίωση της συνεργασίας ανθρώπου-ρομπότ. Ο σχεδιασμός του μεταβλητού ελεγκτή αναλύεται καθώς επίσης και η επιλογή του νευρωνικού δικτύου, συμπεριλαμβανομένου των εισόδων και εξόδων του. Σε περίπτωση ρύθμισης μόνο της εικονικής αδράνειας ή μόνο της εικονικής απόσβεσης επιλέγεται ένα πολυστρωματικό πρόσθιας φόρτωσης νευρωνικό δίκτυο (multilayer feedforward Neural Network), όπου το σφάλμα (backpropagation error) λαμβάνεται υπόψιν κατά την εκπαίδευση του νευρωνικού δικτύου. Σε περίπτωση ρύθμισης τόσο της εικονικής απόσβεσης όσο και της εικονικής αδράνειας ταυτόχρονα, χρησιμοποιείται το επαναλαμβανόμενο νευρωνικό δίκτυο (RNN) Jordan συνοδευόμενος από τον αντίστοιχο αλγόριθμο μάθησης σε πραγματικό χρόνο. Υλοποιείται έμμεση εκπαίδευση του δικτύου με βάση το σφάλμα ταχύτητας μεταξύ της ταχύτητας αναφοράς του μοντέλου στην περίπτωση που ακολουθεί ελάχιστα απότομη τροχιά και της πραγματικής ταχύτητας του ρομπότ. Η προτεινόμενη απόδοση του ελεγκτή μεταβλητής εισόδου (variable admittance controller) διερευνάται πειραματικά και η γενίκευση της αξιολογείται με συνεργατικές εργασίες με τη βοήθεια πολλαπλών χειριστών του ρομποτικού βραχίονα KUKA LWR υπό διαφορετικές συνθήκες και εργασίες οι οποίες αξιοποιούνται στην εκπαίδευση του νευρικού δικτύου. Επιπλέον, γίνεται σύγκριση μεταξύ των παραλλαγών του ελεγκτή μεταβλητής εισόδου (variable admittance controller), όπου τόσο η εικονική απόσβεση όσο και η εικονική αδράνεια ρυθμίζονται ταυτόχρονα ή ξεχωριστά. Για τη βελτίωση της αλληλεπίδρασης ανθρώπου-ρομπότ, προτείνεται μια προσέγγιση για την αξιολόγηση της συνεργασίας ανθρώπου-ρομπότ με στόχο την επίτευξη υψηλών επιδόσεων. Τόσο το ανθρώπινο χέρι όσο και ο ρομποτικός βραχίονας μοντελοποιούνται ως μια κλειστή κινηματική αλυσίδα (closed kinematic chain) και τα κριτήρια αξιολόγησης της απόδοσης αναλύονται βάσει της δυνατότητας χειρισμού. Η επιλεγμένη εργασία είναι μια ευθεία κίνηση στην οποία το άκρο του ρομπότ οδηγείται από τον άνθρωπο μέσω ενός ελεγκτή εισόδου (admittance controller). Η καλύτερη θέση της επιλεγμένης εργασίας καθορίζεται με τη μεγιστοποίηση της ελάχιστης δυνατότητας χειρισμού κατά μήκος της διαδρομής. Τα κριτήρια αξιολόγησης για την απόδοση υιοθετούνται λαμβάνοντας υπόψη εργονομικές μεθόδους. Στην πειραματική διάταξη με τον βραχίονα KUKA LWR, πολλοί εθελοντές χειριστές επαναλαμβάνουν την καθορισμένη κίνηση και αξιολογούν εμπειρικά την παραπάνω προσέγγιση.

Research on behavior recognition based on feature fusion of automatic coder and recurrent neural network

2020 ◽  
Vol 39 (6) ◽  
pp. 8927-8935
Author(s):  
Bing Zheng ◽  
Dawei Yun ◽  
Yan Liang
Keyword(s):  
Neural Network ◽  
Recurrent Neural Network ◽  
Behavior Pattern ◽  
Rapid Development ◽  
Video Data ◽  
Support Vector ◽  
Behavior Recognition ◽  
Learning Methods ◽  
The Impact ◽  
Internet Of Things Technology

Under the impact of COVID-19, research on behavior recognition are highly needed. In this paper, we combine the algorithm of self-adaptive coder and recurrent neural network to realize the research of behavior pattern recognition. At present, most of the research of human behavior recognition is focused on the video data, which is based on the video number. At the same time, due to the complexity of video image data, it is easy to violate personal privacy. With the rapid development of Internet of things technology, it has attracted the attention of a large number of experts and scholars. Researchers have tried to use many machine learning methods, such as random forest, support vector machine and other shallow learning methods, which perform well in the laboratory environment, but there is still a long way to go from practical application. In this paper, a recursive neural network algorithm based on long and short term memory (LSTM) is proposed to realize the recognition of behavior patterns, so as to improve the accuracy of human activity behavior recognition.

Deadlift Recognition and Application based on Multiple Modalities using Recurrent Neural Network

2020 ◽  
Vol 2020 (17) ◽  
pp. 2-1-2-6
Author(s):  
Shih-Wei Sun ◽  
Ting-Chen Mou ◽  
Pao-Chi Chang
Keyword(s):  
Neural Network ◽  
Recurrent Neural Network ◽  
Network Structure ◽  
Inertial Sensors ◽  
Body Movement ◽  
The Body ◽  
Body Parts ◽  
Multimodal Sensing ◽  
Multiple Devices ◽  
Neural Network Structure

To improve the workout efficiency and to provide the body movement suggestions to users in a “smart gym” environment, we propose to use a depth camera for capturing a user’s body parts and mount multiple inertial sensors on the body parts of a user to generate deadlift behavior models generated by a recurrent neural network structure. The contribution of this paper is trifold: 1) The multimodal sensing signals obtained from multiple devices are fused for generating the deadlift behavior classifiers, 2) the recurrent neural network structure can analyze the information from the synchronized skeletal and inertial sensing data, and 3) a Vaplab dataset is generated for evaluating the deadlift behaviors recognizing capability in the proposed method.

Molecular Generation Targeting Desired Electronic Properties via Deep Generative Models

2019 ◽  
Author(s):  
Qi Yuan ◽  
Alejandro Santana-Bonilla ◽  
Martijn Zwijnenburg ◽  
Kim Jelfs
Keyword(s):  
Neural Network ◽  
Electronic Properties ◽  
Transfer Learning ◽  
Recurrent Neural Network ◽  
Chemical Space ◽  
Generative Models ◽  
Molecular Features ◽  
Donor Acceptor ◽  
Homo Lumo ◽  
Training Sets

<p>The chemical space for novel electronic donor-acceptor oligomers with targeted properties was explored using deep generative models and transfer learning. A General Recurrent Neural Network model was trained from the ChEMBL database to generate chemically valid SMILES strings. The parameters of the General Recurrent Neural Network were fine-tuned via transfer learning using the electronic donor-acceptor database from the Computational Material Repository to generate novel donor-acceptor oligomers. Six different transfer learning models were developed with different subsets of the donor-acceptor database as training sets. We concluded that electronic properties such as HOMO-LUMO gaps and dipole moments of the training sets can be learned using the SMILES representation with deep generative models, and that the chemical space of the training sets can be efficiently explored. This approach identified approximately 1700 new molecules that have promising electronic properties (HOMO-LUMO gap <2 eV and dipole moment <2 Debye), 6-times more than in the original database. Amongst the molecular transformations, the deep generative model has learned how to produce novel molecules by trading off between selected atomic substitutions (such as halogenation or methylation) and molecular features such as the spatial extension of the oligomer. The method can be extended as a plausible source of new chemical combinations to effectively explore the chemical space for targeted properties.</p>

Sign in / Sign up

Export Citation Format

Share Document