El Fin Del Conocimiento - Bóveda 6/36 - CVPR - 2018 - Robots Colaborativos: Desafíos y Oportunidades.

graph LR classDef interaction fill:#f9d4d4, font-weight:bold, font-size:14px classDef grasping fill:#d4f9d4, font-weight:bold, font-size:14px classDef human fill:#d4d4f9, font-weight:bold, font-size:14px classDef learning fill:#f9f9d4, font-weight:bold, font-size:14px classDef advanced fill:#f9d4f9, font-weight:bold, font-size:14px Main["Robots Colaborativos: Desafíos
y Oportunidades."] Main --> A["Robots interactuando a través de
manipulación y colaboración 1"] A --> B["Agarre de objetos y
técnicas de manipulación 2"] B --> C["Manipulación en mano para
mejor desempeño de tareas 3"] B --> D["El agarre humano informa
estrategias robóticas 4"] B --> E["Selección de agarre basada en tareas 5"] A --> F["Razonamiento de sentido común
para planificación 6"] F --> G["Sistemas de seguimiento de manos 7"] G --> H["Predicción de intenciones humanas
para colaboración 8"] G --> I["Aprendizaje de variedades para
acciones de mano 9"] Main --> J["Optimización del diseño de manos robóticas 10"] J --> K["Espacios de moduli de agarre
para aprendizaje por transferencia 11"] J --> L["Agarre temporal: observación continua
y adaptación 12"] Main --> M["Técnicas de manipulación de doble brazo 13"] M --> N["Estrategias de interacción en
entornos desordenados 14"] N --> O["Planificación de reordenamiento no prensible 15"] Main --> P["Predicción del movimiento humano
para colaboración 16"] P --> Q["Autoencoders variacionales condicionales
para generación de movimiento 17"] P --> R["Aprendizaje por demostración 18"] R --> S["Aprendizaje por refuerzo para
comportamientos adaptativos 19"] Main --> T["Aprendizaje eficiente en
robótica 20"] T --> U["Reducción de dimensionalidad mediante
redes codificador-decodificador 21"] T --> V["Transferencia de conocimiento de sim a real 22"] Main --> W["Comprensión del embodiment 23"] W --> X["Sistemas integrados de percepción y
acción 24"] X --> Y["Integración multisensorial para
mejor control 25"] Main --> Z["Interacción natural humano-robot 26"] Z --> AA["Comportamiento adaptativo del robot 27"] Z --> AB["Aprendizaje jerárquico para
niveles de abstracción 28"] Main --> AC["Representación 3D para
seguimiento e interacción 29"] AC --> AD["Manipulación diestra similar
a habilidades humanas 30"] class A,F interaction class B,C,D,E,J,K,L grasping class G,H,I,P,Q,R human class S,T,U,V learning class M,N,O,W,X,Y,Z,AA,AB,AC,AD advanced

Resumen:

1.- Interacción física del robot: Desarrollar robots capaces de interactuar con el mundo, los humanos y entre sí a través de la manipulación física y la colaboración.

2.- Agarre y manipulación de objetos: Habilitar a los robots para agarrar y manipular objetos de manera efectiva, considerando los requisitos de la tarea y las propiedades del objeto.

3.- Manipulación en mano: Desarrollar técnicas para que los robots ajusten las poses de los objetos dentro de su agarre para un mejor desempeño de tareas.

4.- Comprensión del agarre humano: Estudiar el agarre humano para informar las estrategias de agarre robótico y el diseño protésico.

5.- Agarre relacionado con la tarea: Elegir agarres apropiados según la tarea prevista y las propiedades del objeto.

6.- Razonamiento de sentido común: Incorporar comprensión contextual y razonamiento en los procesos de planificación y toma de decisiones robóticas.

7.- Seguimiento de manos: Desarrollar sistemas para rastrear los movimientos y poses de las manos humanas durante la interacción con objetos.

8.- Predicción de intenciones humanas: Crear algoritmos para anticipar acciones humanas para mejorar la colaboración humano-robot.

9.- Aprendizaje de variedades: Usar técnicas como GPLVM para comprender la estructura de las acciones de las manos humanas.

10.- Diseño de manos robóticas: Optimizar los diseños de manos robóticas basados en los manifolds de acción de manos humanas y los requisitos de la tarea.

11.- Espacios de moduli de agarre: Desarrollar una representación común para agarres y formas de objetos para habilitar el aprendizaje por transferencia.

12.- Agarre temporal: Considerar el agarre como un proceso continuo que involucra observación, ejecución y adaptación.

13.- Manipulación de doble brazo: Explorar técnicas para que los robots usen dos brazos de manera cooperativa para tareas de manipulación complejas.

14.- Interacción en entornos desordenados: Desarrollar estrategias para que los robots operen de manera efectiva en espacios abarrotados o restringidos.

15.- Planificación de reordenamiento no prensible: Planificar acciones de empuje para reordenar objetos sin agarrarlos.

16.- Predicción del movimiento humano: Usar técnicas de aprendizaje automático para predecir movimientos humanos futuros para mejorar la colaboración.

17.- Autoencoders variacionales condicionales: Aplicar modelos probabilísticos para generar distribuciones de posibles movimientos humanos futuros.

18.- Aprendizaje por demostración: Habilitar a los robots para aprender tareas observando e interactuando con humanos.

19.- Aprendizaje por refuerzo para la interacción humano-robot: Usar RL para enseñar a los robots comportamientos adaptativos para tareas colaborativas.

20.- Aprendizaje eficiente en robótica: Desarrollar técnicas para reducir la cantidad de datos del mundo real necesarios para el aprendizaje del robot.

21.- Reducción de dimensionalidad en el aprendizaje: Usar redes codificador-decodificador para simplificar problemas de aprendizaje en espacios de alta dimensión.

22.- Transferencia de sim a real: Transferir el conocimiento adquirido en simulación a sistemas robóticos del mundo real.

23.- Comprensión del embodiment: Evaluar las capacidades de un robot basándose en su estructura física y grados de libertad.

24.- Percepción y acción integradas: Desarrollar sistemas que conecten de manera fluida la percepción, planificación y ejecución.

25.- Integración multisensorial: Combinar retroalimentación visual, táctil y de fuerza para mejorar la percepción y control del robot.

26.- Interacción natural humano-robot: Crear comportamientos robóticos que se sientan intuitivos y cómodos para los colaboradores humanos.

27.- Comportamiento adaptativo del robot: Habilitar a los robots para ajustar sus acciones basándose en el comportamiento humano y el contexto de la tarea.

28.- Aprendizaje jerárquico: Estructurar problemas de aprendizaje para abordar diferentes niveles de abstracción y complejidad.

29.- Representación 3D: Utilizar información 3D para mejorar el seguimiento humano y la interacción con objetos.

30.- Manipulación diestra: Desarrollar sistemas robóticos capaces de una manipulación precisa y fina de objetos similar a las habilidades humanas.

Bóveda del Conocimiento construida porDavid Vivancos 2024