Este trabalho aborda a questão da segmentação automática de demonstrações de tarefas de
manipulação dentro do contexto de Learning from Demonstration. Este é um conjunto de
técnicas para programação de robôs e aprendizagem de políticas, baseado na observação de
demonstrações de tarefas fornecidas por um professor humano ou robô. Para que um
programador de robôs aplique o Learning from Demonstration, ele deve dividir as
demonstrações em atividades ou ações antes de utilizá-las para o ensino real do robô, após esta
segmentação os dados organizados são alimentados em algoritmos de aprendizagem, que são o
ponto principal do LfD. Neste trabalho, foca-se na parte de segmentação do problema e propõe-se uma ferramenta de segmentação de tarefas de manipulação baseada em vídeo. A abordagem
baseada em dados aqui proposta não requer nenhum conhecimento prévio de programação de
robôs ou segmentação manual por parte do professor humano. Usam-se ferramentas de
aprendizado de máquina prontas para uso para anotação automática de imagens e modelos de
Markov ocultos autorregressivos de processo beta que aproveitam uma representação infinita
baseada em recursos para criar uma ferramenta contínua e fácil de usar que atinge a
segmentação semântica relevante de uma forma completamente não supervisionada. Como
resultado, este método atinge uma acurácia de alinhamento temporal máxima de 96% e acurácia
de classificação máxima de 86,8%, sem conhecimento prévio das ações sendo segmentadas,
deixando claro que esta técnica pode ser usada para segmentar tarefas de manipulação sem a
necessidade de qualquer trabalho manual além da demonstração em si.
|
