Design, analysis, and implementation of a constrained trajectory adaptation: extension of Kernelized Movement Primitives

Abstract

[ES] Muchos enfoques de Learning from Demonstration (LfD) presentados en los últimos años son métodos probabilísticos para transferir habilidades humanas a los robots. Uno de los enfoques de LfD que se ha desarrollado recientemente es Kernelized Movement Primitives (KMP), un método que utiliza un tratamiento basado en kernel para minimizar la pérdida de información en el aprendizaje de imitación. Este método es capaz de preservar las propiedades de las demostraciones humanas, así como adaptar las trayectorias a situaciones imprevistas en la evitación de obstáculos, mediante la modificación de la configuración de los puntos intermedios pertenecientes a la ruta de referencia. Sin embargo, la definición de estos puntos para modificar una trayectoria es actualmente manual, lo que puede ser un reto para un operador en términos de optimización y consumo de tiempo, lo que lleva a la necesidad de encontrar automáticamente los puntos. Un algoritmo que puede abordar este inconveniente y ha atraído la atención como un tratamiento para problemas de optimización no lineal de alta dimensión es la optimización de enjambre de partículas (PSO).

En este trabajo final de máster, se ha propuesto un método de optimización restringida que combina KMP con una extensión 4D del PSO tradicional para lograr una generación restringida que evite obstáculos imprevistos en diferentes tareas, mejorando el posicionamiento y el tiempo de inserción de los puntos intermedios. En esta tesis, PSO se utiliza para mejorar la selección de puntos y pasar la información al KMP para la generación de rutas con el fin de evitar colisiones con obstáculos imprevisibles en el momento de la demostración. Los resultados mostraron que el uso del método de peso de inercia Simulated Annealing y la distancia de Fréchet es el mejor enfoque para encontrar una solución óptima en pocas iteraciones mientras se preserva la forma de la ruta de referencia. Esta integración de KMP con PSO se prueba en dos escenarios reales, donde un 7 DOF Franka está diseñado para realizar tareas de entrega y pick and place. La tesis concluye con una discusión de las trayectorias adaptadas y una presentación de posibles trabajos futuros.

[EN] Many Learning from Demonstration (LfD) approaches presented in recent years are probabilistic methods to transfer human skills to robots. One of the LfD approaches that has been recently developed is Kernelized Movement Primitives (KMP), a method that uses a kernel-based treatment to minimize the information loss in imitation learning. This method is able to preserve the properties of human demonstrations, as well as adapt trajectories to unseen situations in obstacle avoidance, by modifying the configuration of via points belonging to the reference path. However, the definition of these points to modify a trajectory is currently manual, which can be challenging for an operator in terms of optimization and time consumption, leading to the necessity of automatically finding the points. An algorithm that can address this inconvenience and has attracted attention as a treatment for high-dimensional nonlinear optimization problems is Particle Swarm Optimization (PSO).

In this master thesis, a constrained optimization method has been proposed that combines KMP with a 4D extension of the traditional PSO to achieve a constrained generation that avoids unpredicted obstacles in different tasks, by enhancing the positioning and time insertion of the via points. In this thesis, PSO is used to improve the selection of points and pass the information to the KMP for the path generation in order to prevent collisions with unseen obstacles at the demonstration time. Results shew that using the Simulated Annealing inertia weight method and Fréchet distance is the best approach to find an optimal solution in few iterations while preserving the shape of the reference path. This integration of KMP with PSO is tested in two real scenarios, where a 7 DOF Franka is designed to perform handover and pick and place tasks. The thesis concludes with a discussion of the adapted trajectories and a presentation of possible future work.