Oznaka poročila: ARRS-RPROJ-ZP-2013/260 zaključno poročilo raziskovalnega projekta A. PODATKI O RAZISKOVALNEM PROJEKTU 1.Osnovni podatki o raziskovalnem projektu Šifra projekta J2-2348 Naslov projekta Ciljno usmerjena sinteza robotskih operacij na osnovi baze vzorčnih gibanj Vodja projekta 11772 Aleš Ude Tip projekta J Temeljni projekt Obseg raziskovalnih ur 4650 Cenovni razred B Trajanje projekta 05.2009 - 04.2012 Nosilna raziskovalna organizacija 106 Institut "Jožef Stefan" Raziskovalne organizacije -soizvajalke Raziskovalno področje po šifrantu ARRS 2 TEHNIKA 2.10 Proizvodne tehnologije in sistemi 2.10.04 Robotika Družbenoekonomski cilj .3 02 Tehnološke vede - RiR financiran iz drugih virov (ne iz 13.02 SUF) 2.Raziskovalno področje po šifrantu FOS1 Šifra 2.02 -Veda 2 Tehniške in tehnološke vede - Področje 2.02 Elektrotehnika, elektronika in informacijski inženiring B. REZULTATI IN DOSEŽKI RAZISKOVALNEGA PROJEKTA 3.Povzetek raziskovalnega projekta2 SLO Cilj projekta je bil razvoj in testiranje novih pristopov za učenje ciljno usmerjenih akcij v naravnih okoljih, kot so na primer domovi ljudi. Humanoidni roboti so zaradi svoje podobnosti človeku primerni za takšne aplikacije, saj so domača okolja prilagojena ljudem, poleg tega pa je laikom lažje sodelovati z roboti, ki imajo podobno obliko kot ljudje. Projekt smo začeli z implementacijo metod za pridobivanje začetnih motoričnih znanj na humanoidnem robotu. Začetne motorične podatke je robot pridobil z opazovanjem gibanja ljudi, ki jih je s pomočjo optimizacijskih metod priredil lastni kinematiki in dinamiki. Za opazovanje gibanj smo uporabili nov sistem za zajemanje človekovega gibanja Kinect, ki je bistveno cenejši kot optični sistemi z markerji. Poleg Kinecta smo za zajemanje gibanje uporabili tudi kinestetično vodenje, pri čemer človek fizično vodi robotsko roko skozi želeno trajektorijo. V tem primeru je zajeta trajektorija avtomatično primerna za izvedbo na humanoidnem robotu. V splošnem samo z opazovanjem ni možno rešiti zadane naloge v poljubni situaciji, saj je možnih konfiguracij zunanjega sveta neskončno. Zato smo razvili metode za posplošitev naučenih gibanj, tako da lahko robot reši nalogo ne glede na trenutno konfiguracijo zunanjega sveta. Ta problem smo rešili s povezovanjem cilja naloge z motoričnimi reprezentacijami pridobljenih gibanj. Pri tem smo izhajali iz knjižnic gibanj, ki smo jih pridobili na zgoraj opisana načina. Za reprezentacijo motoričnih znanj smo uporabili dinamične generatorje gibov. Posplošitev gibanj na nove situacije smo dosegli z uporabo regresijskih metod kot sta lokalno utežena regresija in Gaussovi procesi, pri čemer smo kot povpraševalne točke uporabili parametre, ki opisujejo cilj naloge. Za še boljše reševanje zadane naloge morajo roboti samostojno in brez dodatne pomoči raziskati in izboljšati svoje delovanje v okviru želene naloge. V tem primeru govorimo o avtonomnem učenju. Zato smo statistično posploševanje povezali s spodbujevalnim učenjem. Robot pri tem izkoristi podatke o trajektorijah, ki privedejo do uspešne izvedbe želene naloge v določenih situacijah. S tem omeji reševanje naloge na prostor z manjšo dimenzijo kot je dimenzija celotnega prostora vseh robotskih trajektorij, kar bistveno pohitri spodbujevalno učenje. Kot glavni testni sistem smo uporabili humanoidnega robota HOAP-3, v nekaterih eksperimentih pa tudi antropomorfno robotsko roko KUKA LWR, ki je opremljena s troprstno prijemalko Barrett Hand. V naših eksperimentih smo preizkusili učenje večih nalog iz domačih okolij, med njimi prijemanje in seganje, brisanje, nalivanje, bobnanje in met žoge. S tem smo pokazali uporabnost razvitih metod za splošnonamenske robote v domačih okoljih. Pomoč v gospodinjstvu in zabava spadata med najpomembnejše funkcije domačih robotov, kar je razvidno tudi iz našega nabora testnih nalog. Čeprav smo se v projektu ukvarjali predvsem z roboti v domačih okoljih, so rezultati relevantni za splošno področje servisne robotike. ANG The goal of the project was to develop a new methodology that will enable home robots to learn new goal-directed actions in a natural way and without requiring experts to help during learning. Thus no physical models of the task were assumed to be available because only experts can provide such models. Due to their similarity to people, humanoid robots are very suitable for home environments and human-robot interaction; therefore we chose humanoids as a test platform. We started by implementing methods that can be used to acquire initial motor knowledge on our test humanoid robot. The robot acquired the initial actions by observing people performing actions to be learned. The observed actions were transferred to the robot kinematics and dynamics using optimization methods. To observe human actions we used Kinect sensor developed by Microsoft, which is significantly cheaper than marker-based tracking systems. Besides Kinect we also used kinesthetic guiding to acquire example trajectories. With kinesthetic guiding, a user physically guides robotic arm through the desired trajectory, thus the captured motion is automatically suitable for execution by the robot. In general it is not possible to observe an action in every possible configuration of the external world. The main research topics of the project was to study the generalization of the learned actions to enable the robot to solve the task in any given situation. This was achieved by combining the goals of an action with the available motor knowledge. We used dynamic movement primitives (systems of nonlinear differential equations) to represent motor knowledge. Generalization was achieved by blending techniques including locally weighted regression and Gaussian process regression, where the parameters describing the goal of an action are used as query points in the database. To improve its task execution, the robot must be able to autonomously explore the task and improve its performance. For this purpose we connected the results of statistical generalization with reinforcement learning. The idea was to exploit the structure imposed by example trajectories, which successfully execute task in given situations. This way we reduced the dimensionality of the trajectory space in which the robot looks for an optimal trajectory, thereby accelerating the reinforcement learning process. As the main testing systems we used humanoid robot HOAP-3 and anthropomorphic arm KUKA LWR equipped with a three-finger Barrett Hand. In our experiments we tested the learning of several tasks arising in home environments including grasping and reaching, wiping, pouring, drumming, and ball throwing. This way we showed the applicability of our approach for general purpose robots in home environments. Helping people in household environments and entertainment are among the most important functions of home robots, which is reflected in our choice of experiments. Although in the project we dealt only with home robots, the proposed research results are relevant for any service robots. 4.Poročilo o realizaciji predloženega programa dela na raziskovalnem projektu3 Kot smo predvideli v predlogu projekta, smo naše raziskave začeli z implementacijo metod za učenje robotskih gibov s pomočjo človekovih demonstracij. Za začetno generacijo knjižnic robotskih gibov smo uporabili dva različna pristopa: • Gibanje človeka smo izmerili z optičnim sistemom za zasledovanje gibanja s pomočjo markerjev ali s senzorjem Kinect. Zajeti človeški gibi so bili potem prenešeni na robotsko kinematiko in dinamiko. • Direktno kinestetično vodenje robotske roke. Pri tem človek fizično vodi robotsko roko po trajektoriji, ki jo zajamemo z robotovimi notranjimi senzorji. Drugi pristop se je pokazal kot posebno primeren za učenje gibov na humanoidnem robotu HOAP-3, saj pri tem zajetih trajektorij ni potrebno prilagajati robotski kinematiki, ker jih robot že od samega začetka izvaja sam. Tak način učenja je možen na našem humanoidnem robotu HOAP-3, vendar pa ga žal vsi roboti ne omogočajo. Zato smo študirali tudi metode, ki omogočajo direkten prenos človekovega gibanja na robotsko gibanje. Pri tem smo s pomočjo optičnega sistema za zasledovanje z markerji zajeli ali šestdimenzionalno gibanje roke v kartezičnem prostoru ali pa kar gibanje predmeta, ki ga premika demonstrator. Zajeto gibanje smo prenesli na gibanje robota s pomočjo inverzne kinematike, pri čemer smo upoštevali omejitve v sklepih robota. V drugem delu izvedbe projekta smo za opazovanje človekovih gibanj uporabili tudi Microsoftov senzor Kinect. Za uspešno robotsko učenje je zelo pomemben izbor reprezentacije, ki jo uporabimo za zapis robotskih gibanj. V ta namen smo uporabili dinamične generatorje gibov (avtonomne, nelinearne diferencialne enačbe), ki so zaradi indirektne parametrizacije po času še posebej primerni za zapis robotskih gibanj. Pri zapisu gibanj z nelinearnimi sistemi lahko na trajektorijo vplivamo na dva načina: s spremembo končne pozicije robota, ki jo v teoriji nelinearnih diferencialnih enačb pogosto imenujemo privlačna točka, in s spremembo parametrov, ki definirajo nelinearni del dinamičnega sistema in ki vplivajo predvsem na obliko trajektorije. Razvili smo novo, hierarhično metodo spodbujevalnega učenja, s katero lahko vzporedno modificiramo tako privlačno točko kot tudi nelinearni del dinamičnega sistema. Povezali smo dve različni metodi spodbujevalnega učenja: spodbujevalno učenje z ocenjevanjem vrednostne funkcije in algoritem PI2. S pomočjo prve metode smo ocenili optimalno privlačno točko, s pomočjo algoritma PI2 pa parametre, ki definirajo nelinearni del diferencialne enačbe. Eksperimentalno smo pokazali, da lahko na ta način uspešno adaptiramo gibanje pri nalivanju vode v kozarec, tako da robot na koncu nalije vodo v kozarec brez kakršnegakoli polivanja. S spodbujevalnim učenjem lahko torej modificiramo opazovane trajektorije tako, da robot uspešno izvede želeno nalogo. S pomočjo zgoraj opisanih metod smo zbrali več vzorčnih knjižnic elementarnih robotskih gibov. K vsakemu gibu v knjižnici smo dodali tudi parametre, ki opisujejo cilj naloge. V projektu smo obravnavali gibe kot so seganje in prijemanje, brisanje, nalivanje, met žoge na koš, bobnanje, itd. Na primer, pri seganju in prijemanju je cilj naloge opisan s položajem predmeta, ki ga mora robot prijeti, pri metu pa s položajem koša, v katerega želimo vreči žogo. Za posploševanje robotskih gibov smo uporabili različne regresijske metode. Glavna ideja je bila uporabiti cilj naloge kot indeks v knjižnico vzorčnih gibanj. Predlagali smo dva pristopa: • Posploševanje gibov z lokalno uteženo regresijo (Atkeson et al., 1997), pri čemer kot vhodne podatke uporabimo konfiguracije robota (v zunanjih ali notranjih koordinatah) na trajektorijah, ki smo jih zajeli pri določeni frekvenci (tipično od 100 do 500 Hz). • Posploševanje zajetih trajektorij z Gaussovimi regresijskimi procesi (Rasmussen in Williams, 2006), pri čemer zajete trajektorije najprej zapišemo z dinamičnimi generatorji gibov. Pri posploševanju tako ne uporabljamo direktno konfiguracij na trajektorijah temveč parametre dinamičnih generatorjev gibov, ki smo jih vključili v knjižnico vzorčnih gibov. Predlagane metode smo uporabili za posploševanje periodičnih in diskretnih gibov. Diskretni gibi so definirani kot trajektorije, ki se začnejo in končajo v določeni konfiguraciji, periodični gibi pa so definirani kot ponavljajoči se gibi brez natančno določenega začetka in konca. V naših eksperimentih smo pokazali, da lahko z obema pristopoma uspešno posplošimo oba tipa gibov. V obeh primerih je končen rezultat aproksimacijskega postopka robotska trajektorija, ki je zapisana z dinamičnimi generatorji gibov in ki je prilagojena trenutni konfiguraciji objektov v prostoru. Prednost metode, ki temelji na lokalno uteženi regresiji, je predvsem večja natančnost posploševanja, medtem ko lahko z regresijo, ki temelji na Gaussovih procesih, izračunamo ustrezne trajektorije dovolj hitro za uporabo znotraj robotove krmilne zanke. Za posploševanje naučenih trajektorij na nove situacije lahko uporabljamo tudi druge metode kot je na primer spodbujevalno učenje, pri čemer prej naučene ali posplošene trajektorije uporabimo kot začetne približke. Predlagana metoda posploševanja in spodbujevalno učenje sta dve komplementarni metodologiji, ki se vzajemno dopolnjujeta. Našo metodo posploševanja lahko uporabimo za sintezo dobrih začetnih približkov za spodbujevalno učenje. Po drugi strani pa lahko spodbujevalno učenje uporabimo za generacijo novih trajektorij, ki so primerne kot vhodni podatki pri posploševanju. Predlagane metode so ustrezne, če gibi, ki jih mora robot izvesti pri opravljanju določene naloge, zvezno prehajajo eden v drugega kot funkcija parametrov, ki opisujejo nalogo glede na trenutno konfiguracijo objektov v okolici robota. V nasprotnem primeru sosednje trajektorije ne vsebujejo informacij, iz katerih bi lahko sklepali na trajektorijo, ki je primerna za izvedbo naloge v dani situaciji. Intuitivno lahko privzamemo, da je ta pogoj izpolnjen pri mnogih praktičnih problemih; ni verjetno, da bi robot pri malo spremenjeni nalogi moral uporabljati povsem drugačne gibe. Naši eksperimenti so pokazali, da lahko pri številnih praktičnih problemih posplošujemo trajektorije z zadostno natančnostjo že pri sorazmerno majhnih množicah vzorčnih trajektorij. Pokazali smo, da je predlagan postopek posploševanja primeren za realizacijo različnih praktičnih nalog. Kot poseben primer smo obravnavali učenje brisanja mize. Za razliko od drugih nalog smo morali pri brisanju mize upoštevati - poleg podatkov o poziciji gobe - tudi sile, ki delujejo na roko. Le tako smo lahko zagotovili, da je robot obdržal stalen kontakt z mizo in na njo ustrezno deloval. Sile smo merili s senzorjem sile v roki, s čimer smo lahko popravili pozicijske napake, ki nastanejo pri oceni položaja gobe z aktivnim vidnim sistemom. Prijemanje objektov in brisanje spadajo med ključne naloge, ki jih mora robot opraviti pri pospravljanju kuhinjske mize, ki spada med naše testne scenarije. V zadnji fazi projekta smo raziskali, kako lahko robot samostojno razširi bazo vzorčnih gibov in s tem izboljša natančnost izvedbe naloge. Za vsak problem velja, da bi gotovo našli optimalno rešitev, če bi preiskali vse možnosti. Seveda so primeri, kjer je iskalni prostor dovolj majhen, da si to lahko dovolimo, zelo redki. Za večjo učinkovitost moramo iskalni prostor omejiti. Vse vrste učenja počnejo ravno to. Spodbujevalno učenje omejuje iskanje na tisti del prostora, kjer se nagrade večajo, učenje s posnemanjem pa na primere, podobne demonstracijskim. Pri učenju s posnemanjem moramo vedno iskati kompromis med želeno natančnostjo ter številom začetnih demonstracij. Spodbujevalno učenje pa ponavadi zahteva veliko število neuspešnih poizkusov, preden se pravi "posreči". Za izboljšanje natančnosti posploševanja smo se zato odločili povezati metodi spodbujevalnega učenja in učenja s posnemanjem. Glavna ideja pri tem je, da s posploševanjem pridobimo parametriziran zapis želenih trajektorij. Za vsak povpraševalni parameter, ki ga uporabimo za poizvedbo v knjižnico vzorčnih gibov, algoritem posploševanja vrne pripadajoče parametre dinamičnega generatorja gibov, če je le povpraševalni parameter znotraj območja knjižnice vzorčnih gibov. Med povpraševalnimi parametri in dobljenimi rešitvami torej obstaja funkcijska povezava. Ideja naše metode je, da namesto da s spodbujevanim učenjem iščemo odgovor na vprašanje, katera trajektorija prinese največjo nagrado, rešimo problem, kako največjo nagrado dobimo s spreminjanjem vhoda povpraševalnih parametrov v algoritem statističnega posploševanja. Pri tem je pomembno, da je dimenzija povpraševalnih parametrov precej manjša od števila prostih parametrov, ki v celoti opišejo dinamične generatorje gibov. Na primer, če je naša naloga met žoge v tarčo, je povpraševalni parameter položaj tarče v prostoru, ki ga lahko opišemo s tremi kartezičnimi koordinatami. Če to nalogo izvajamo z robotom s sedmimi prostostnimi stopnjami in gib vsakega sklepa zapišemo z desetimi jedrnimi funkcijami, je dimenzija parametrov, ki jih potrebujemo za zapis trajektorije, enaka sedemdeset. Z iskanjem v prostoru povpraševalnih parametrov torej bistveno zmanjšamo iskalni prostor in s tem časovno zahtevnost spodbujevalnega učenja. Na ta način lahko s spodbujevalnim učenjem razmeroma hitro najdemo nove gibe, ki optimalno rešijo dano nalogo v novih situacijah. Zaradi zmanjšane dimenzije iskalnega prostora lahko tudi pri izbiri algoritma spodbujevalnega učenja uporabimo bolj standardne algoritme (na primer gradientne metode) kot so tisti, ki so primerni za iskanje vseh parametrov dinamičnih generatorjev gibov (na primer PI2). Funkcijska povezava med povpraševalnimi parametri in parametri, ki opisujejo robotske trajektorije v obliki dinamičnih generatorjev gibov, je omejena na mnogoterost, ki vsebuje že znane robotske gibe. Če pri nekem novem povpraševalnem parametru rešitev ne leži na tej mnogoterosti, potem je z opisano metodo ne moremo najti. Z ozirom na to smo predlagali tristopenjski pristop k učenju robotskih nalog, ki poteka po naslednjem postopku: • Posnamemo nekaj demonstracijskih gibov, ki uspešno rešijo dano nalogo. Če je možno, to znanje razporedimo po celotnem območju, v katerem deluje robot. • Dobljeno znanje posplošimo na trenutno situacijo, v kateri se nahaja robot. • Rezultat izboljšamo s pomočjo spodbujevanega učenja; učenje poteka v prostoru povpraševalnih parametrov, ki jih uporabljamo za posploševalni algoritem. • V mnogo primerih ne bomo dosegli želene rešitve z učenjem parametrov v prostoru zmanjšane dimenzije, ki ga definiramo glede na povpraševalne parametre. Fine popravke lahko izvedemo s pomočjo učenja vseh parametrov iz zapisa trajektorije. • Naučeno rešitev dodamo v bazo vzorčnih trajektorij. Ob soočenju z morebitno novo nalogo proces učenja ponovimo začenši v točki 2. V večih eksperimentih smo pokazali, da lahko na ta način robot avtonomno poveča zalogo vzorčnih trajektorij. V projektu smo obravnavali in rešili tudi problem zaporedne izvedbe večih naučenih gibov, ki so podani z dinamičnimi generatorji gibov. Predlagali smo dva nova pristopa, ki zvezno povežeta več zaporednih gibov (do odvodov drugega reda). Obravnavali smo tudi avtomatično določanje poizvedovalnih parametrov. Jasno je, da mora v ta namen robot imeti določeno predznanje, saj je v splošnem možna dimenzija iskalnega prostora zelo velika. Zato smo v naših raziskavah ročno določili fizične lastnosti objektov, ki pridejo v poštev kot poizvedovalni parametri. Za njihovo izbor smo uporabili statistične korelacijske metode. Del opisanih eksperimentov smo izvedli pri naših partnerjih v Nemčiji (Univerza v Karlsruheju) in na Japonskem (ATR Computational Neuroscience Laboratories). Tako smo na Univerzi v Karlsuheju preizkusili brisanje mize s tamkajšnjim robotom, na ATR pa smo prezkusili prijemanje objektov, ki jih opazujemo z aktivnim humanoidnim vidom. 5.Ocena stopnje realizacije programa dela na raziskovalnem projektu in zastavljenih raziskovalnih ciljev4 Po projektni vlogi so bili glavni cilji projekta naslednji: • Učenje osnovnih gibanj s pomočjo človekovih demonstracij in treniranja. Ta del projekta bo deloma osnovan na prejšnjih raziskavah. Čeprav pričakujemo, da bomo nove rezultate dobili tudi na teh področjih, bo poudarek na implementaciji potrebnih predznanj na humanoidnih robotih, ki so na voljo za eksperimente v predlaganem projektu. • Generalizacija pridobljenih motoričnih znanj za ciljno usmerjeno sintezo robotskih operacij in identifikacija parametrov, ki so pomembni za izvedbo naloge, in njihova uporaba. To so glavne raziskovalne teme, ki jih bomo obravnavali v času trajanja projekta. • Specifikacija testnih nalog v domačih okoljih, na katerih bomo prikazali uspešnost razvitih metod in preizkusili njihovo učinkovitost. Cilj je implementacija večih nalog povezanih s kuhinjskim okoljem in z igrami z žogo na humanoidnih robotskih sistemih. Glede na naše končno poročilo lahko ugotovimo, da smo v projektu obravnavali in izpolnili vse zadane naloge. 6.Utemeljitev morebitnih sprememb programa raziskovalnega projekta oziroma sprememb, povečanja ali zmanjšanja sestave projektne skupine5 Zaradi odhodov nekaterih članov projektne skupine v pokoj oziroma v novo službo (Jožef Opeka in Damir Omrčen) in zaradi obveznosti Andreja Gamsa na drugih projektih, smo projektno skupino dopolnili z večimi novimi člani: Miha Deniša, Goran Škorja in Luka Peternel. Te spremembe niso vplivale na izvedbo in pričakovane rezultate projekta. 7.Najpomembnejši znanstveni rezultati projektne skupine6 Znanstveni dosežek 1. COBISS ID 25861415 Vir: COBISS.SI Naslov SLO Sinteza in adaptacija robotskih gibanj s pomočjo baze trajektorij ANG On-line motion synthesis and adaptation using a trajectory database Opis SLO V tem članku smo predlagali metodologijo za posploševanje senzomotoričnih znanj v realnem času. Trajektorije posplošimo s pomočjo Gaussovih procesov, pri čemer uporabimo kot povpraševalne točke v knjižnico trajektorij parametre, ki opisujejo želeno nalogo. Na realnih nalogah smo pokazali, da lahko predlagano metodo uporabimo v zaprtozančni zanki, kjer metodo posploševanja uporabimo v realnem času za prilagajanje gibanja spremembam, ki jih zaznamo z robotskimi senzorji. ANG In this paper we propose a methodology for the statistical generalization of the available sensorimotor knowledge in real-time. Example trajectories are generalized by applying Gaussian process regression, using the parameters describing a task as query points into the trajectory database. We show on real-world tasks that the proposed methodology can be integrated into a sensory feedback loop, where the generalization algorithm is applied in real-time to adapt robot motion to the perceived changes of the external world. Objavljeno v North Holland; Robotics and autonomous systems; 2012; Vol. 60, no. 10; str. 1327-1339; Impact Factor: 1.056;Srednja vrednost revije / Medium Category Impact Factor: 1.204; WoS: AC, EP, RB; Avtorji / Authors: Forte Denis, Gams Andrej, Morimoto Jun, Ude Aleš Tipologija 1.01 Izvirni znanstveni članek 2. COBISS ID 23918375 Vir: COBISS.SI Naslov SLO Posploševanje dinamičnih generatorjev gibov glede na parametre naloge ANG Task-specific generalization of discrete and periodic dynamic movement primitives Opis SLO V tem članku obravnavamo metodologijo, ki omogoča posploševanje prej naučenih elementarnih gibov. Nove operacije sintetiziramo s pomočjo statističnih metod, pri čemer uporabimo cilj in druge parametre nalog kot indeks, s katerim izluščimo nove gibe iz knjižnice prej naučenih gibov. Na ta način lahko sintetiziramo nove gibe brez zamudnega matematičnega modeliranja želene naloge. V članku smo tudi prikazali, kako lahko predlagano metodologijo uporabimo skupaj z vidnim sistemom humanoidnega robota. Uporaba klasičnega 3D vida na humanoidnih robotih z zapletenim očesnim sistem je lahko problematična zaradi napak pri modeliranju, vendar pa lahko s pomočjo statističnega učenja te napake odpravimo. ANG This paper describes a methodology that enables the generalization of the available sensorimotor knowledge. New actions are synthesized by the application of statistical methods, where the goal and other characteristics of an action are utilized as queries to create a suitable control policy, taking into account the current state of the world. The proposed approach enables the generation of a wide range of policies without requiring an expert to modify the underlying representations to account for different task-specific features and perceptual feedback. The paper also demonstrates that the proposed methodology can be integrated with an active vision system of a humanoid robot. While 3D vision on humanoid robots with complex oculomotor systems is often difficult due to the modeling uncertainties, we show that these uncertainties can be accounted for by the proposed approach. Objavljeno v Institute of Electrical and Electronics Engineers; IEEE transactions on robotics; 2010; Vol. 26, no. 5; str. 800-815; Impact Factor: 3.063;Srednja vrednost revije / Medium Category Impact Factor: 1.469; A': 1; WoS: RB; Avtorji / Authors: Ude Aleš, Gams Andrej, Asfour Tamim, Morimoto Jun Tipologija 1.01 Izvirni znanstveni članek 3. COBISS ID 25079079 Vir: COBISS.SI Naslov SLO Učenje nalivanja z robotsko roko; hkratno učenje cilja naloge in oblika trajektorije z dinamičnimi generatorji gibov ANG Learning to pour with a robot arm combining goal and shape learning for dynamic movement primitives Opis SLO Kadar robotska gibanja opišemo z dinamičnimi generatorji gibov, moramo podati parametre kot so končni cilj trajektorije, oblika in trajanje. Pri spodbujevalnem učenju z dinamičnimi generatorji gibov so cilj in trajanje giba določeni v naprej, tako da se robot nauči samo oblike giba. Pri mnogih nalogah pa cilj trajektorije ni podan v naprej, temveč se ga mora robot naučiti. V tem članku obravnavamo metode, ki jih lahko uporabimo za hkratno učenje cilja (končne točke na trajektoriji) in oblike gibanja. ANG When describing robot motion with dynamic movement primitives (DMPs), goal (trajectory endpoint), shape, and temporal scaling parameters are used. In reinforcement learning with DMPs, usually goals and temporal scaling parameters are predefined and only the weights for shaping a DMP are learned. Many tasks, however, exist where the best goal position is not a priori known, requiring to learn it. In this paper we specifically addressed the question of how to simultaneously combine goal and shape parameter learning. Objavljeno v North Holland; Robotics and autonomous systems; 2011; Vol. 59, no. 11; str. 910-922; Impact Factor: 1.056;Srednja vrednost revije / Medium Category Impact Factor: 1.204; WoS: AC, EP, RB; Avtorji / Authors: Tamosiumaite Minija, Nemec Bojan, Ude Aleš, Wörgötter Florentin Tipologija 1.01 Izvirni znanstveni članek 4. COBISS ID 25192487 Vir: COBISS.SI Naslov SLO Zaporedno izvajanje robotskih operacij s pomočjo dinamičnih generatorjev gibov ANG Action sequencing using dynamic movement primitives Opis SLO Avtonomni roboti morajo biti sposobni samostojno povezati obstoječe senzomotorično znanje pri reševanju kompleksnih nalog. Raziskali smo, kako lahko robot zaporedno izvede več gibov, ki so podani z dinamičnimi generatorji gibov. Predlagali smo dva nova pristopa, ki oba zvezno povežeta več zaporednih gibov (do odvodov drugega reda). ANG General-purpose autonomous robots must have the ability to combine the available sensorimotor knowledge in order to solve more complex tasks. In this paper, we investigated the problem of sequencing of dynamic movement primitives. We proposed two new methodologies which both ensure that consecutive movement primitives are joined together in a continuous way (up to second-order derivatives). Objavljeno v Cambridge University Press; Robotica; 2012; Vol. 30, no. 5; str. 837-846; Impact Factor: 1.032;Srednja vrednost revije / Medium Category Impact Factor: 1.276; WoS: RB; Avtorji / Authors: Nemec Bojan, Ude Aleš Tipologija 1.01 Izvirni znanstveni članek S.Najpomembnejši družbeno-ekonomski rezultati projektne skupine7 Družbeno-ekonomski dosežek 1. COBISS ID 25226279 Vir: COBISS.SI Naslov SLO Organizacija 11. mednarodne konference o humanoidnih robotih (Humanoids) ANG Organization of 11th IEEE-RAS International Conference on Humanoid Robots (Humanoids) Opis SLO IEEE-RAS International Conference on Humanoid Robots je največja konferenca s področja humanoidne robotike v svetovnem merilu. Konferenca poteka pod okriljem IEEE Robotics and Automation Society, ki je najpomembnejša svetovna organizacija robotikov. V letu 2011 je bil dr. Ude predsednik te konference ("general chair"), ki je v njegovi organizaciji potekala na Bledu http://www.humanoids2011.org/. Gre za največjo robotsko konferenco, ki jo je do sedaj IEEE-RAS dodelilla Sloveniji. ANG IEEERAS International Conference on Humanoid Robots is the main conference in the area of humanoid robotics worldwide. It is sponsored by IEEE Robotics and Automation Society, which is the prime robotics society in the world. As a general chair dr. Ude organized this conference at Bled, Slovenia, in 2011 (http://www.humanoids2011.org/). Humanoids is the biggest and most important conference sponsored by IEEE-RAS, which has been organized in Slovenia up to now. Šifra B.01 Organizator znanstvenega srečanja Objavljeno v IEEE; 2011; 1 USB ključ; Tipologija 2.31 Zbornik recenziranih znanstvenih prispevkov na mednarodni ali tuji konferenci 2. COBISS ID 26450471 Vir: COBISS.SI Naslov SLO Ciljno usmerjena sinteza robotskih operacij na osnovi baze vzorčnih gibanj ANG Goal-directed action synthesis from a library of example trajectories Opis SLO Rezultati našega projekta so bili 10. 8. 2011 predstavljeni v vabljenem predavanju na Univerzi v Tokiu, ki velja za najboljšo japonsko univerzo. ANG The results of our project were presented in an invited talk at the University of Tokyo, which is considered as the best university in Japan. Šifra B.04 Vabljeno predavanje Objavljeno v The University of Tokyo; 2011; Avtorji / Authors: Ude Aleš Tipologija 3.14 Predavanje na tuji univerzi 3. COBISS ID 26449959 Vir: COBISS.SI Naslov SLO Učenje motoričnih spretnosti v robotiki ANG Motor learning in robotics Opis SLO V letu 2012 smo v ustanovili Laboratorij za humanoidno in kognitoivno robotiko (http://www-hcr.ijs.si/). Glavno poslanstvo laboratorija je razvoj robotov za pomoč ljudem v naravnih okoljih. V okviru laboratorija trenutno poteka več velikih evropskih projektov in drugih projektov za zunanje uporabnike. Delo laboratorija je bilo predstavljeno v predavanju na Slovenski akademiji znanost in umetnosti. In 2012 we established a new laboratory: Humanoid and Cognitive Robotics Lab (http://www-hcr.ijs.si/). The main mission of the lab is to develop robots that can help people in natural environments. The lab is currently ANG conducting a number of large European projects and also other projects for external users. The new lab was presented in an invited lecture at the Slovenian Academy of Sciences and Arts. Šifra D.05 Akreditacija laboratorija Objavljeno v Slovenska akademija znanosti in umetnosti; 2012; Avtorji / Authors: Ude Aleš Tipologija 3.14 Predavanje na tuji univerzi 4. COBISS ID 26449703 Vir: COBISS.SI Naslov SLO Razvoj kognitivnih robotov: pridobivanje senzomotoričnih znanj z raziskovanjem in posnemanjem ANG Towards cognitive robots: acquiring sensorimotor knowledge by exploration and imitation Opis SLO Rezultate naših raziskav na področju statističnega posploševanja robotskih gibanj smo prenesli na humanoidne robote, ki jih za japonske uporabnike razvijajo v ATR Computational Neuroscience Laboratories, Kyoto, Japonska. Naš pristop je omogočil učinkovito učenje humanoidnih robotv pri nalogah kot so seganje in prijemanje, brisanje, bobnanje itd. ANG The method for statistical generalization of robot behaviors was transferred to humanoid robots, which are being developed at ATR Computational Neuroscience Laboratories, Kyoto, Japan. Our method has proven to be very effective at learning tasks such as reaching and grasping, wiping, drumming etc. on humanoid robots. Šifra F.17 Prenos obstoječih tehnologij, znanj, metod in postopkov v prakso Objavljeno v ATR Computational Neuroscience Laboratories; 2012; Avtorji / Authors: Ude Aleš Tipologija 3.14 Predavanje na tuji univerzi 9.Drugi pomembni rezultati projetne skupine8 lO.Pomen raziskovalnih rezultatov projektne skupine9 10.1.Pomen za razvoj znanosti10 SLO Eden največjih izzivov sodobne robotike je razvoj splošno uporabnih robotov, ki lahko avtonomno delujejo v naravnih okljih, kot so na primer domovi ljudi. Razvoj takšnih sistemov bo omogočil prenos robotskih tehnologij iz statičnih okolij v tovarnah v bolj nepredvidljiva in dinamična naravna okolja. S tem se bo robotski trg bistveno povečal. V tem projektu smo razvili metodolgijo, ki robotom omogoča - pridobivanje začetnih motoričnih znanj, ki so primerna za robotovo delovanje v točno določenih situacijah, s pomočjo naravnih metod kot sta programiranje na osnovi človekovih demonstracij in kinestetično vodenje, ki ju lahko izvajajo tudi laiki, - prenos zajetih operacij na kinematiko in dinamiko humanoidnih robotov, - posploševanje naučenih operacij na bolj splošne situacije, kar omogoča ciljno usmerjeno sintezo robotskih operacij, - uporabo parametrizacije prostora rešitev naloge za pohitritev spodbujevalnega učenja, in - avtomatično identifikacijo parametrov, ki opisujejo cilj zadane naloge. Na ta način smo prispevali k razvoju kognitivnih robotskih sistemov. ANG One of the biggest challenges of modern robotics is to enable general purpose robots to autonomously act in natural environments such as homes. The development of such systems will enable the transfer of robot technologies from rather static industrial environments to more unpredictable and dynamic natural environments, thus significantly enlarging the robotics market. In this project we developed a new robot learning paradigm methodology that enables the robots to - Acquire initial sensorimotor knowledge to solve a given task in different configurations of the external world. We used methods such as the observation of human motion and kinesthetic guiding to enable quick transfer of task knowledge to a robot. - Transfer of human motion to the robot's kinematics and dynamics. - Generalization of the acquired action knowledge to new situations, thereby enabling the synthesis of novel robot trajectories. - The application of task parametrization to accelerate reinforcement learning. - Automatic identification of parameters that describe the desired task. This way we contributed to the development of cognitive robotic systems. 10.2.Pomen za razvoj Slovenije11 SLO Kognitivna robotika spada med najpomembnejše teme sedmega okvirnega program Evrospke Unije. Z izvedbo našega projekta smo prispevali k razvoju področja kognitivne robotike v Sloveniji. Samo v naši programski skupini smo od leta 2011 naprej pridobili in začeli izvajati štiri večje projekte iz sedmega okvirnega programa Evropske unije, tematsko področje "kognitivni sistemi in robotika". S tem smo bistveno povečali raziskovalno dejavnost na tem področju v Sloveniji. Rezultati našega projekta predstavljajo izhodišče za razvoj novih robotskih sistemov, ki bodo pomagali ljudem v naravnih okoljih, na primer na njihovih domovih. Takšni roboti lahko bistveno prispevajo k izboljšanju kvalitete življenja predvsem starejših ljudi. Če bi s pomočjo robotike podaljšali čas, ko lahko starejši ljudje samostojno živijo na svojih domovih, le za nekaj mesecev, bi s tem bistveno prispevali k reševanju problemov starajoče se družbe. Seveda pa razvoj takšnih robotskih sistemov zahteva še velika nadaljna vlaganja in vključenost v evropske in globalne raziskovalne usmeritve. Zato je pomembno je, da Slovenija s projekti kot je "Ciljno usmerjena sinteza robotskih operacij na osnovi baze vzorčnih gibanj" še naprej ostane vključena v vrhunske raziskave na tem področju v Evropi in v svetu. ANG Cognitive robotics is one of the important topics of the seventh framework programme of the European Union. With this project we contributed to the development of cognitive robotics in Slovenia. Our programme group has recently acquired four new FP7 projects in the area of "Cognitive systems and robotics". This way we significantly increased the research activity in this area in Slovenia and contributed to the participation of Slovenia in the EU seventh framework programme. Results of our projects provide some of the necessary foundations for the development of general-purpose robotic systems that can help people in natural environments, for example their homes. These type of robots could significantly contribute to improving the quality of life, especially for older people. If robotics prolonged the time that people can live at their homes independently and without the help of other people just for a few months, it would significantly contribute to solving the problems of the aging society. It is clear that the development of such robotic systems still requires large investment and integration in European and global research activities. It is therefore important that Slovenia remains at the forefront of research in this field. ll.Samo za aplikativne projekte in podoktorske projekte iz gospodarstva! Označite, katerega od navedenih ciljev ste si zastavili pri projektu, katere konkretne rezultate ste dosegli in v kakšni meri so doseženi rezultati uporabljeni Cilj F.01 Pridobitev novih praktičnih znanj, informacij in veščin Zastavljen cilj o da o ne Rezultat 1 d Uporaba rezultatov 1 d F.02 Pridobitev novih znanstvenih spoznanj Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.03 Večja usposobljenost raziskovalno-razvojnega osebja Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.04 Dvig tehnološke ravni Zastavljen cilj o da o ne Rezultat I d Uporaba rezultatov d F.05 Sposobnost za začetek novega tehnološkega razvoja Zastavljen cilj o da o ne Rezultat I d Uporaba rezultatov d F.06 Razvoj novega izdelka Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.07 Izboljšanje obstoječega izdelka Zastavljen cilj o da o ne Rezultat Uporaba rezultatov F.08 Razvoj in izdelava prototipa Zastavljen cilj o da o ne Rezultat I d Uporaba rezultatov 1 d F.09 Razvoj novega tehnološkega procesa oz. tehnologije Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.10 Izboljšanje obstoječega tehnološkega procesa oz. tehnologije Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.11 Razvoj nove storitve Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.12 Izboljšanje obstoječe storitve Zastavljen cilj o da o ne Rezultat Uporaba rezultatov d F.13 Razvoj novih proizvodnih metod in instrumentov oz. proizvodnih procesov Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.14 Izboljšanje obstoječih proizvodnih metod in instrumentov oz. proizvodnih procesov Zastavljen cilj o DA O NE Rezultat 1 d Uporaba rezultatov 1 d F.15 Razvoj novega informacijskega sistema/podatkovnih baz Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.16 Izboljšanje obstoječega informacijskega sistema/podatkovnih baz Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov 1 d F.17 Prenos obstoječih tehnologij, znanj, metod in postopkov v prakso Zastavljen cilj o da o ne Rezultat I d Uporaba rezultatov 1 d F.18 Posredovanje novih znanj neposrednim uporabnikom (seminarji, forumi, konference) Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.19 Znanje, ki vodi k ustanovitvi novega podjetja ("spin off") Zastavljen cilj o da o ne Rezultat I d Uporaba rezultatov 1 d F.20 Ustanovitev novega podjetja ("spin off") Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.21 Razvoj novih zdravstvenih/diagnostičnih metod/postopkov Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov F.22 Izboljšanje obstoječih zdravstvenih/diagnostičnih metod/postopkov Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.23 Razvoj novih sistemskih, normativnih, programskih in metodoloških rešitev Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.24 Izboljšanje obstoječih sistemskih, normativnih, programskih in metodoloških rešitev Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.25 Razvoj novih organizacijskih in upravljavskih rešitev Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.26 Izboljšanje obstoječih organizacijskih in upravljavskih rešitev Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.27 Prispevek k ohranjanju/varovanje naravne in kulturne dediščine Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.28 Priprava/organizacija razstave Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.29 Prispevek k razvoju nacionalne kulturne identitete Zastavljen cilj o da o ne Rezultat Uporaba rezultatov d F.30 Strokovna ocena stanja Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.31 Razvoj standardov Zastavljen cilj o da o ne Rezultat d Uporaba rezultatov d F.32 Mednarodni patent Zastavljen cilj o da o ne Rezultat Uporaba rezultatov d F.33 Patent v Sloveniji Zastavljen cilj o DA O NE Rezultat d Uporaba rezultatov d F.34 Svetovalna dejavnost Zastavljen cilj O da o ne Rezultat I d Uporaba rezultatov 1 d F.35 Drugo 1 Zastavljen cilj O da o ne Rezultat d Uporaba rezultatov d Komentar 12.Samo za aplikativne projekte in podoktorske projekte iz gospodarstva! Označite potencialne vplive oziroma učinke vaših rezultatov na navedena področja Vpliv Ni vpliva Majhen vpliv Srednji vpliv Velik vpliv G.01 Razvoj visokošolskega izobraževanja G.01.01. Razvoj dodiplomskega izobraževanja O o o o G.01.02. Razvoj podiplomskega izobraževanja o o o o G.01.03. Drugo: o o o o G.02 Gospodarski razvoj G.02.01 Razširitev ponudbe novih izdelkov/storitev na trgu o o o o G.02.02. Širitev obstoječih trgov o o o o G.02.03. Znižanje stroškov proizvodnje o o o o G.02.04. Zmanjšanje porabe materialov in energije o o o o G.02.05. Razširitev področja dejavnosti o o o o G.02.06. Večja konkurenčna sposobnost o o o o G.02.07. Večji delež izvoza o o o o G.02.08. Povečanje dobička o o o o G.02.09. Nova delovna mesta o o o o G.02.10. Dvig izobrazbene strukture zaposlenih o o o o G.02.11. Nov investicijski zagon o o o o G.02.12. Drugo: o o o o G.03 Tehnološki razvoj G.03.01. Tehnološka razširitev/posodobitev dejavnosti o o o o G.03.02. Tehnološko prestrukturiranje dejavnosti o o o o G.03.03. Uvajanje novih tehnologij o o o o G.03.04. Drugo: o o o o G.04 Družbeni razvoj G.04.01 Dvig kvalitete življenja o o o o G.04.02. Izboljšanje vodenja in upravljanja o o o o G.04.03. Izboljšanje delovanja administracije in javne uprave o o o o G.04.04. Razvoj socialnih dejavnosti O o o o G.04.05. Razvoj civilne družbe o o o o G.04.06. Drugo: o o o o G.05. Ohranjanje in razvoj nacionalne naravne in kulturne dediščine in identitete o o o o G.06. Varovanje okolja in trajnostni razvoj o o o o G.07 Razvoj družbene infrastrukture G.07.01. Informacijsko-komunikacijska infrastruktura o o o o G.07.02. Prometna infrastruktura o o o o G.07.03. Energetska infrastruktura o o o o G.07.04. Drugo: o o o o G.08. Varovanje zdravja in razvoj zdravstvenega varstva o o o o G.09. Drugo: o o o o Komentar 13.Pomen raziskovanja za sofinancerje12 Sofinancer 1. Naziv Naslov Vrednost sofinanciranja za celotno obdobje trajanja projekta je znašala: EUR Odstotek od utemeljenih stroškov projekta: % Najpomembnejši rezultati raziskovanja za sofinancerja Šifra 1. 2. 3. 4. 5. Komentar Ocena 14.Izjemni dosežek v letu 201213 14.1. Izjemni znanstveni dosežek Razvoj statističnih metod za pospešeno učenje robotov v naravnih okoljih Okolja, v katerih roboti sobivajo z ljudmi in jim pomagajo, se pogosto spreminjajo, zato morajo roboti v takšnih okoljih znati hitro pridobivati nova znanja. Razvili smo novo metodo za učenje senzomotoričnih operacij, pri kateri povežemo knjižnico vzorčnih robotskih gibanj s parametri, ki opisujejo cilj naloge v različnih situacijah. Vzorčna gibanja lahko robot pridobi na različne načine, na primer z opazovanjem delovanja ljudi ali pa s kinestetičnim vodenjem. Ta gibanja potem posplošimo na nove situacije s pomočjo statističnih metod in ob upoštevanju parametrov, ki opisujejo cilj naloge v trenutni situaciji. Za zapis in posploševanje robotskih gibanj smo predlagali dinamične generatorje gibov, ki omogočajo bolj fleksibilno izvedbo robotskih operacij. Učinkovitost razvitih metod smo pokazali na večih praktičnih primerih, na primer seganje in prijemanje, brisanje, nalivanje, itd. 14.2. Izjemni družbeno-ekonomski dosežek C. IZJAVE Podpisani izjavljam/o, da: • so vsi podatki, ki jih navajamo v poročilu, resnični in točni • se strinjamo z obdelavo podatkov v skladu z zakonodajo o varstvu osebnih podatkov za potrebe ocenjevanja ter obdelavo teh podatkov za evidence ARRS • so vsi podatki v obrazcu v elektronski obliki identični podatkom v obrazcu v pisni obliki • so z vsebino zaključnega poročila seznanjeni in se strinjajo vsi soizvajalci projekta Podpisi: zastopnik oz. pooblaščena oseba i vodja raziskovalnega projekta: raziskovalne organizacije: 'n Institut "Jožef Stefan" Aleš Ude ŽIG Kraj in datum: Ljubljana |15.3.2013 Oznaka prijave: ARRS-RPROJ-ZP-2013/260 1 Opredelite raziskovalno področje po klasifikaciji FOS 2007 (Fields of Science). Prevajalna tabela med raziskovalnimi področji po klasifikaciji ARRS ter po klasifikaciji FOS 2007 (Fields of Science) s kategorijami WOS (Web of Science) kot podpodročji je dostopna na spletni strani agencije (http://www.arrs.gov.si/sl/gradivo/sifranti/preslik-vpp-fos-wos.asp). Nazaj 2 Napišite povzetek raziskovalnega projekta (največ 3.000 znakov v slovenskem in angleškem jeziku) Nazaj 3 Napišite kratko vsebinsko poročilo, kjer boste predstavili raziskovalno hipotezo in opis raziskovanja. Navedite ključne ugotovitve, znanstvena spoznanja, rezultate in učinke raziskovalnega projekta in njihovo uporabo ter sodelovanje s tujimi partnerji. Največ 12.000 znakov vključno s presledki (približno dve strani, velikost pisave 11). Nazaj 4 Realizacija raziskovalne hipoteze. Največ 3.000 znakov vključno s presledki (približno pol strani, velikost pisave 11) Nazaj 5 V primeru bistvenih odstopanj in sprememb od predvidenega programa raziskovalnega projekta, kot je bil zapisan v predlogu raziskovalnega projekta oziroma v primeru sprememb, povečanja ali zmanjšanja sestave projektne skupine v zadnjem letu izvajanja projekta, napišite obrazložitev. V primeru, da sprememb ni bilo, to navedite. Največ 6.000 znakov vključno s presledki (približno ena stran, velikost pisave 11). Nazaj 6 Navedite znanstvene dosežke, ki so nastali v okviru tega projekta. Raziskovalni dosežek iz obdobja izvajanja projekta (do oddaje zaključnega poročila) vpišete tako, da izpolnite COBISS kodo dosežka - sistem nato sam izpolni naslov objave, naziv, IF in srednjo vrednost revije, naziv FOS področja ter podatek, ali je dosežek uvrščen v A'' ali A'. Nazaj 7 Navedite družbeno-ekonomske dosežke, ki so nastali v okviru tega projekta. Družbeno-ekonomski rezultat iz obdobja izvajanja projekta (do oddaje zaključnega poročila) vpišete tako, da izpolnite COBISS kodo dosežka - sistem nato sam izpolni naslov objave, naziv, IF in srednjo vrednost revije, naziv FOS področja ter podatek, ali je dosežek uvrščen v A'' ali A'. Družbeno-ekonomski dosežek je po svoji strukturi drugačen kot znanstveni dosežek. Povzetek znanstvenega dosežka je praviloma povzetek bibliografske enote (članka, knjige), v kateri je dosežek objavljen. Povzetek družbeno-ekonomskega dosežka praviloma ni povzetek bibliografske enote, ki ta dosežek dokumentira, ker je dosežek sklop več rezultatov raziskovanja, ki je lahko dokumentiran v različnih bibliografskih enotah. COBISS ID zato ni enoznačen, izjemoma pa ga lahko tudi ni (npr. prehod mlajših sodelavcev v gospodarstvo na pomembnih raziskovalnih nalogah, ali ustanovitev podjetja kot rezultat projekta _ - v obeh primerih ni cObISS ID). Nazaj 8 Navedite rezultate raziskovalnega projekta iz obdobja izvajanja projekta (do oddaje zaključnega poročila) v primeru, da katerega od rezultatov ni mogoče navesti v točkah 7 in 8 (npr. ker se ga v sistemu COBISS ne vodi). Največ 2.000 znakov, vključno s presledki. Nazaj 9 Pomen raziskovalnih rezultatov za razvoj znanosti in za razvoj Slovenije bo objavljen na spletni strani: http://sicris.izum.si/ za posamezen projekt, ki je predmet poročanja Nazaj 10 Največ 4.000 znakov, vključno s presledki Nazaj 11 Največ 4.000 znakov, vključno s presledki Nazaj 12 Rubrike izpolnite / prepišite skladno z obrazcem "izjava sofinancerja" http://www.arrs.gov.si/sl/progproj/rproj/gradivo/, ki ga mora izpolniti sofinancer. Podpisan obrazec "Izjava sofinancerja" pridobi in hrani nosilna raziskovalna organizacija - izvajalka projekta. Nazaj 13 Navedite en izjemni znanstveni dosežek in/ali en izjemni družbeno-ekonomski dosežek raziskovalnega projekta v letu 2012 (največ 1000 znakov, vključno s presledki). Za dosežek pripravite diapozitiv, ki vsebuje sliko ali drugo slikovno gradivo v zvezi z izjemnim dosežkom (velikost pisave najmanj 16, približno pol strani) in opis izjemnega dosežka (velikost pisave 12, približno pol strani). Diapozitiv/-a priložite kot priponko/-i k temu poročilu. Vzorec diapozitiva je objavljen na spletni strani ARRS http://www.arrs.gov.si/sl/gradivo/, predstavitve dosežkov za pretekla leta pa so objavljena na spletni strani http://www.arrs.gov.si/sl/analize/dosez/. Nazaj Obrazec: ARRS-RPROJ-ZP/2013 v1.00 29-5F-A6-B2-B3-57-46-E8-11-7C-60-F5-EF-F1-78-6E-B0-F3-87-3E TEHNIKA Področje: 2.10.04 Robotika Dosežek 1: Statistične metode za pospešeno učenje robotov Vir: D. Forte, A. Gams, J. Morimoto, A. Ude (2012) On-line motion synthesis and adaptation using a trajectory database, Robotics and Autonomous Systems, vol. 60, no. 10, pp. 1327-1339, doi: 10.1016/j.robot.2012.05.004 Razvoj statističnih metod za pospešeno učenje robotov v naravnih okoljih Okolja, v katerih roboti sobivajo z ljudmi in jim pomagajo, se pogosto spreminjajo, zato morajo roboti v takšnih okoljih znati hitro pridobivati nova znanja. Razvili smo novo metodo za učenje senzomotoričnih operacij, pri kateri povežemo knjižnico vzorčnih robotskih gibanj s parametri, ki opisujejo cilj naloge v različnih situacijah. Vzorčna gibanja lahko robot pridobi na različne načine, na primer z opazovanjem delovanja ljudi ali pa s kinestetičnim vodenjem. Ta gibanja potem posplošimo na nove situacije s pomočjo statističnih metod in ob upoštevanju parametrov, ki opisujejo cilj naloge v trenutni situaciji. Za zapis in posploševanje robotskih gibanj smo predlagali dinamične generatorje gibov, ki omogočajo bolj fleksibilno izvedbo robotskih operacij. Učinkovitost razvitih metod smo pokazali na večih praktičnih primerih, na primer seganje in prijemanje, brisanje, nalivanje, itd. Naše metode smo preizkusili na različnih robotih v lastnem laboratoriju in pri partnerjih v večih evropskih projektih.