Cognitive robotic architecture for human-aware interactive task learning. An application to human-robot collaboration in Industry 4.0.
Architecture robotique et cognitive pour l'apprentissage de tâches en interaction avec l'humain. Une application pour la collaboration homme/robot dans l'Industrie 4.0.
Résumé
Human-centric and flexible interaction in collaborative robotics is a key aspect of industry 4.0/5.0. Collaborative robots can now assist in many tasks, helping to reduce musculoskeletal disorders risks for human workers. However, the level of collaboration remains far from the natural one between two human coworkers. Indeed, reconfiguration of collaborative robots still lacks flexibility and is often out of reach of the everyday worker, who is neither a programmer nor a robotics expert. An ideal collaborative robot should become a Smart Robotic Assistant (SRA) that can adapt dynamically its behavior to the diversity of each situation, including tasks, environment changes, workers characteristics and their preferences. Such SRA requirements lead to a paradigm shift in the way collaborative robots are programmed.Throughout this thesis, to fulfill SRA specifications, we have explored the design of a prototype of cognitive architecture around the notion of Interactive Robot Learning (IRL). The robotic agent can be taught, by leveraging prior knowledge, how to represent and carry out unknown tasks with generalization abilities, according to workers preferences and characteristics. Teaching is done throughout interactions, in a mixed-initiative setting, incrementally, and in a fast and natural way by non programming experts.Taking inspiration from complementary AI and IRL paradigms found in the literature, we have highlighted the benefits of a hybrid architecture, interleaving symbolic and connectionist approaches. With SRA specifications in mind, we chose to develop a new cognitive system based on relational representations models and integration of specific learning modules based on deep learning. In particular, we have focused on exploiting modularity of behaviors representations for the agent deliberative and incremental learning process, which led to consider Behaviors Trees (BT) at the core of the behavior model. It helps to learn a hierarchical level of representations, from real world moto-perception to symbolic abstract representations.Experimental validations, with real collaborative robots, were made throughout the thesis to assess the behavior of the current architecture prototype with respect to our SRA specifications. As manipulation tasks are common in many industrial applications, we chose to focus these experimental validations on planar, task-oriented grasping scenarios. This has motivated the development and integration of specific based AI learning modules, leveraging humans demonstrations for learning grasping. From a few demonstrations, workers can teach quickly and naturally authorized and prohibited locations concerning the task and/or their own preferences.In addition and as future integration perspectives, we discuss how uncertainty and estimation techniques for deep learning could be leveraged in the core of the architecture, for failure predictions and active learning.
Des capacités d'interaction flexible et centrée sur l'humain, en robotique collaborative, est un aspect essentiel de l'industrie 4.0/5.0. Les robots collaboratifs peuvent désormais fournir une assistance dans de nombreuses tâches, contribuant ainsi à réduire les risques de troubles musculo-squelettiques pour les travailleurs humains. Cependant, le niveau de collaboration reste encore loin du niveau naturel entre deux collègues humains. En effet, la reconfiguration des robots collaboratifs manque encore de flexibilité et est souvent hors de portée du travailleur du quotidien, qui n'est ni un programmeur ni un expert en robotique. Un robot collaboratif idéal devrait devenir un Assistant Robotique Intelligent (ARI) capable d'adapter dynamiquement son comportement à la diversité de chaque situation, y compris les tâches, les changements d'environnement, les caractéristiques des travailleurs et leurs préférences. De telles exigences conduisent à un changement de paradigme dans la façon dont les robots collaboratifs sont programmés.Tout au long de cette thèse, pour répondre aux spécifications d'un ARI, nous avons exploré la conception d'un prototype d'architecture cognitive autour de la notion d'Enseignement Robotisé en Interaction (ERI). L'agent robotique peut apprendre, en s'appuyant sur des connaissances antérieures, comment représenter et exécuter des tâches inconnues avec des capacités de généralisation, selon les préférences et les caractéristiques des travailleurs. L'apprentissage se fait tout au long de l'interaction, dans un cadre d'initiative mixte, de manière incrémentale, rapide et naturelle, par des personnes non expertes en programmation.En nous inspirant d'approches complémentaires de la littérature en Intelligence Artificielle (IA) et en ERI, nous avons mis en évidence les avantages d'une architecture hybride, entrelaçant les approches symbolique et connexionniste en IA. Suivant les spécifications de l'ARI, nous avons choisi de développer un nouveau système cognitif basé sur des modèles de représentations relationnelles et l'intégration de modules d'apprentissage spécifiques basés sur l'apprentissage profond. En particulier, nous nous sommes concentrés sur l'exploitation de représentations modulaires pour comportements de l'ARI, intervenant pour le processus d'apprentissage délibératif et incrémental de l'agent. Cela a conduit à considérer les arbres de comportements réactifs au coeur du modèle de comportement de l'architecture. Cela permet d'apprendre des niveaux hiérarchisés de représentations, de la perception motrice du monde réel aux représentations symboliques abstraites.Des validations expérimentales, avec de vrais robots collaboratifs, ont été effectuées tout au long de la thèse pour évaluer le comportement de l'actuel prototype d'architecture par rapport aux spécifications de l'ARI. Comme les tâches de manipulation sont courantes dans de nombreuses applications industrielles, nous avons choisi de concentrer ces validations expérimentales sur des scénarios de préhension planaires, orientés vers la tâche. Ceci a motivé le développement et l'intégration de modules d'apprentissage en IA basés sur des démonstrations humaines pour l'apprentissage de la préhension. À partir de quelques démonstrations, un humain peut enseigner rapidement et naturellement les emplacements autorisés et interdits, en fonction de la tâche et/ou de leurs propres préférences.En outre, et en tant que perspectives d'intégration futures, nous discutons de la façon dont les techniques d'incertitude et d'estimation pour l'apprentissage profond pourraient être exploitées au cœur de l'architecture, pour les prédictions d'échec et pour l'apprentissage actif.
| Origine | Version validée par le jury (STAR) |
|---|