Cuốn sách truy cập mở này tập trung vào khả năng xem xét nội tâm của robot, có tác động trực tiếp đến sự tương tác vật lý giữa con người với robot và khả năng tự chủ lâu dài, đồng thời có thể hưởng lợi từ việc theo dõi và chẩn đoán sự bất thường tự động cũng như các chiến lược phục hồi sự bất thường. Trong chế tạo robot, khả năng suy luận, giải quyết những bất thường của bản thân và chủ động làm giàu kiến ​​thức sở hữu là cách trực tiếp để cải thiện hành vi tự chủ. Để đạt được mục tiêu này, các tác giả bắt đầu bằng cách xem xét mô hình cơ bản của quan sát đa phương thức trong quá trình thao tác với robot, mô hình này có thể được mô hình hóa một cách hiệu quả dưới dạng mô hình Markov ẩn tham số (HMM). Sau đó, họ áp dụng cách tiếp cận Bayesian phi tham số trong việc xác định ưu tiên bằng cách sử dụng quy trình Dirichlet phân cấp (HDP) trên các tham số HMM tiêu chuẩn, được gọi là Mô hình Markov ẩn quy trình Dirichlet phân cấp (HDP-HMM). HDP-HMM có thể kiểm tra HMM với số lượng trạng thái có thể không giới hạn và cho phép linh hoạt về độ phức tạp của mô hình đã học cũng như phát triển các phương pháp suy luận biến phân đáng tin cậy và có thể mở rộng.

Abstract:

This open access book focuses on robot introspection, which has a direct impact on physical human–robot interaction and long-term autonomy, and which can benefit from autonomous anomaly monitoring and diagnosis, as well as anomaly recovery strategies. In robotics, the ability to reason, solve their own anomalies and proactively enrich owned knowledge is a direct way to improve autonomous behaviors. To this end, the authors start by considering the underlying pattern of multimodal observation during robot manipulation, which can effectively be modeled as a parametric hidden Markov model (HMM). They then adopt a nonparametric Bayesian approach in defining a prior using the hierarchical Dirichlet process (HDP) on the standard HMM parameters, known as the Hierarchical Dirichlet Process Hidden Markov Model (HDP-HMM). The HDP-HMM can examine an HMM with an unbounded number of possible states and allows flexibility in the complexity of the learned model and the development of reliable and scalable variational inference methods.

Ngôn ngữ:	En
Tác giả:	Xuefeng Zhou, Hongmin Wu, Juan Rojas, Zhihao Xu
Thông tin nhan đề:	Nonparametric Bayesian Learning for Collaborative Robot Multimodal Introspection
Nhà xuất bản:	Springer Nature
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Kỹ thuật điều khiển - Tự động hóa
Bản quyền:	https://creativecommons.org/share-your-work/use-remix/cc-licenses/#by
Nguồn gốc:	https://link.springer.com/book/10.1007/978-981-15-6263-1
Mô tả vật lý:	149p.
Năm xuất bản:	2020