Learning based motion planning for robotic arms (Tanulás alapú mozgástervezés robotkarokhoz)

Konzulens:

Dr. Harmati István

Külső konzulens vagy kontakt:

Tóth Roland, tud. főmunkatárs, SZTAKI

External supervisor e-mail:

roland.toth@sztaki.hu

Tárgy:

Önálló laboratórium 1 - Irányító és látórendszerek MSc. főspec.
Önálló laboratórium 2 - Irányító és látórendszerek MSc. főspec.

Hallgatói létszám:

Folytatás:

Szakdolgozat / Diplomaterv

Leírás:

In industrial environments, there is a high-need for rapid and safe motion planning for robotic arms under high-number of obstacles and varying tasks. Besides of avoiding self collisions,  unwanted interaction with the environment and violating mechanical limits, the corresponding motion planning is expected to also provide time or energy optimal movement of the arm. Furthermore, in collaborative tasks, motion planning is required to be accomplished in a dynamic environment with known or estimated movement trajectories of obstacles. Although there are many optimisation based solutions for the underlying planning problem, their real-time application in these problems quickly runs into computational limitations. Hence, an appealing alternative is to employ artificial intelligence-based methods in terms of supervised-learning or reinforcement learning based motion polices that based on visual information (i.e., 3D occupancy map) about the environment can suggest nearly optimal motion plans which can be quickly refined by traditional optimisation in a few iteration. The objective of this project is to study existing solutions, implement them with further improvements on the Quanser Qarm robotic manipulator in in the AImotion Lab of SZTAKI.

Ipari környezetben nagy szükség van a robotkarok gyors és biztonságos mozgástervezésére nagyszámú akadály és változó feladatok mellett. A mozgástervezésnek az önütközés, a környezettel való nem kívánt interakció és a mechanikai határok megsértésének elkerülése mellett a kar idő- vagy energiaoptimális mozgását is biztosítania kell. Továbbá a kollaboratív  feladatoknál, a mozgástervezést dinamikus környezetben kell megvalósítani, az akadályok ismert vagy becsült mozgási pályáival. Bár számos optimalizálási alapú megoldás létezik az így előálló tervezési problémákra, ezek valós idejű alkalmazása gyorsan számítási korlátokba ütközik az akadályok számának növekedésével. Ezért vonzó alternatíva a mesterséges intelligencia alapú módszerek alkalmazása ellenőrzött tanulás tanulás vagy megerősített tanuláson alapuló mozgás-policik tekintetében, amelyek a környezetről szóló vizuális információk (pl. 3D-s foglaltsági térkép) alapján közel optimális mozgásterveket javasolhatnak. Ezen pálya javaslatok hagyományos optimalizálásal néhány iterációban tovább finomíthatóak. A projekt célja a meglévő megoldások tanulmányozása, megvalósítása és további fejlesztése a Quanser Qarm robotmanipulátoron a SZTAKI AImotion Labjában.