Description du projet
Cadre innovant d’apprentissage des compétences des robots
L’apprentissage par la démonstration (LfD) est un modèle permettant aux robots d’apprendre de manière autonome à effectuer de nouvelles tâches. Les changements environnementaux, les coûts élevés des démonstrations et les incertitudes potentielles dues à l’apprentissage basé sur les données limitent toutefois son application. Le projet L3TD financé par l’UE proposera un cadre d’apprentissage des compétences des robots basé sur le processus d’apprentissage humain afin d’atteindre des caractéristiques d’apprentissage des compétences semblables à celles des humains. Le projet équipera une interface téléopérée de multicapteurs et d’un exosquelette spécial afin de minimiser la différence d’information entre les humains et les robots, d’explorer de nouvelles théories d’apprentissage de compétences primitives (CP) et d’apprentissage de tâches à partir de graphes basé sur les CP, d’apprendre et de généraliser les CP pour permettre un raisonnement en cas d’échec et une adaptation à des tâches peu ou pas documentées.
Objectif
Learning from demonstration (LfD) is a paradigm for enabling robots to autonomously learn from demos to perform new tasks. But, environmental changes, expensive demonstration cost, and potential uncertainties caused by data-based learning make it hard to be applied in actual. The project aims to propose a robot skill learning framework from human learning process via a teleoperation interface to achieve human-like skill learning characteristics such as few-shot learning, learning from failed attempts and tentative actions, and strong skill transfer and generalization ability. Five work packages will be taken to realize the objectives. First, a teleoperated interface will be equipped with multi-sensors and special exoskeleton to minimize information difference between humans and robots. After building a scalable primitive skill (PS) library based on task segmentation with multimodal information, new theories of PS learning and PS-based task graph learning are explored. PS will be learned and generalized based on improved meta-learning that is associated and explained by physical laws and neural motor disciplines. The PS-based task graph will be learned from the human learning process, achieving failure reasoning and adaptation to zero/few-shot tasks. Some practical problems e.g. incomplete data set and difference of sim-to-real applications will also be addressed. Finally, the previous theories will be certified by medical robot tasks. The applicant will acquire a solid state-of-the-art interdisciplinary scientific training in the multidisciplinary research fields, such as artificial intelligence, robotics technologies and mechanical design, and that will enable him to generate new scientific knowledge and quickly develop his research career and leadership. The final aim is to consolidate Europe as the world leader in robot and AI areas and to benefit European robotics applications in industry, surgery, and nuclear waste disposition.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
- ingénierie et technologieautres génies et technologiesingénierie nucléairegestion des déchets nucléaires
- sciences naturellesinformatique et science de l'informationintelligence artificielle
- sciences médicales et de la santémédecine cliniquechirurgie
- ingénierie et technologiegénie électrique, génie électronique, génie de l’informationingénierie électroniquerobotique
- sciences socialesdroit
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Mots‑clés
Programme(s)
Régime de financement
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Coordinateur
BS16 1QY Bristol
Royaume-Uni