Tebrikler Dr. Yiğit Yıldırım
[i18n] postedOnDate ([i18n] lastModified) • 2 [i18n] minutesShort [i18n] read • 247 [i18n] wordsYiğit Yıldırım doktora tezini başarıyla savundu!
Gösterim yoluyla robotik yön bulma ve manipülasyon temel hareketlerini öğrenme
Özet
Robotların mevcut varlık sebebi, insanların uygun gördüğü görevlerde ve insanlığın yararına kullanılabilme potansiyelleridir. Robotların belirlenen görevleri insanlar kadar başarılı şekilde yerine getirmesini sağlamak için insan zekâsı ya da işlevselliği hedeflemek mantıklıdır. Bu tezde sunulan araştırma, robot işlevselliğini insan seviyesine bir adım daha yaklaştırma girişimlerinin bir derlemesidir. Öğretimle Öğrenme (Learning from Demonstration - LfD), temel olarak robotlara yeni becerilerin gösterilerek öğretilmesini ifade eder ve bu doğrultuda ilerlemek için çok değerli kaynaklar sunar. Veri odaklı yaklaşımlardaki ilerlemelerle birlikte, LfD yöntemleri önemli bir dönüşüm geçirmiştir. İyileştirmelere rağmen, zekâ açısından insanlar ile robotlar arasında hâlâ büyük bir fark vardır. Bu farkı kapatmaya yardımcı olmak amacıyla, öncelikle mobil robotların sosyalliğini artırmayı önerdik. Gerçek dünya insan verilerinden navigasyonla ilgili hareket örüntülerini öğrenen veri odaklı bir navigasyon çerçevesi sunduk. Önerdiğimiz model, çevredeki bireylerin rahatsızlığını en aza indirmek için yakınlık (proxemics) mekansal ölçütlerinden ve yörünge özelliklerinden faydalanmaktadır. Bu çalışmanın üzerine inşa ederek, Koşullu Sinirsel Uzman Süreçleri (Conditional Neural Expert Processes - CNEP) adlı yeni bir LfD çerçevesi önerdik. CNEP, çeşitli becerilerin hareket örüntülerini denetimsiz bir şekilde aynı anda öğrenir. Entropi kavramından faydalanan CNEP, gösterimlerdeki çok-modluluğu yakalamak için bir zemin hazırlar. Son olarak, birçok gerçek dünya becerisi aynı hareket örüntüsünün ritmik olarak uygulanmasını gerektirir; örneğin çivi çakmak gibi. Bu tür beceriler için, doğrusal faz yerine açısal fazı kullanan Konum-Geliştirmeli Hareket Örüntüleri (Position-Enhanced Movement Primitives - PEMP) modelini önerdik. Deneylerimiz, PEMP’in periyodik hareket örüntülerini modelleme ve sentezleme konusunda büyük bir potansiyele sahip olduğunu göstermiştir.