dc.contributor.advisor |
Giese, Martin A. (Prof. Dr.) |
|
dc.contributor.author |
Mukovskiy, Albert |
|
dc.date.accessioned |
2019-05-02T09:47:17Z |
|
dc.date.available |
2019-05-02T09:47:17Z |
|
dc.date.issued |
2019-05-02 |
|
dc.identifier.other |
1664528598 |
de_DE |
dc.identifier.uri |
http://hdl.handle.net/10900/88357 |
|
dc.identifier.uri |
http://nbn-resolving.de/urn:nbn:de:bsz:21-dspace-883576 |
de_DE |
dc.identifier.uri |
http://dx.doi.org/10.15496/publikation-29741 |
|
dc.description.abstract |
In the last decades design methods in control engineering made substantial progress in
the areas of robotics and computer animation. Nowadays these methods incorporate the
newest developments in machine learning and artificial intelligence. But the problems
of flexible and online-adaptive combinations of motor behaviors remain challenging for
human-like animations and for humanoid robotics. In this context, biologically-motivated
methods for the analysis and re-synthesis of human motor programs provide new insights
in and models for the anticipatory motion synthesis.
This thesis presents the author’s achievements in the areas of cognitive and developmental robotics, cooperative and humanoid robotics and intelligent and machine learning methods in computer graphics. The first part of the thesis in the chapter “Goal-directed Imitation for Robots” considers imitation learning in cognitive and developmental robotics.
The work presented here details the author’s progress in the development of hierarchical
motion recognition and planning inspired by recent discoveries of the functions of mirror-neuron cortical circuits in primates. The overall architecture is capable of ‘learning for
imitation’ and ‘learning by imitation’. The complete system includes a low-level real-time
capable path planning subsystem for obstacle avoidance during arm reaching. The learning-based path planning subsystem is universal for all types of anthropomorphic robot arms, and is capable of knowledge transfer at the level of individual motor acts.
Next, the problems of learning and synthesis of motor synergies, the spatial and spatio-temporal combinations of motor features in sequential multi-action behavior, and the
problems of task-related action transitions are considered in the second part of the thesis
“Kinematic Motion Synthesis for Computer Graphics and Robotics”. In this part, a new
approach of modeling complex full-body human actions by mixtures of time-shift invariant
motor primitives in presented. The online-capable full-body motion generation architecture
based on dynamic movement primitives driving the time-shift invariant motor synergies
was implemented as an online-reactive adaptive motion synthesis for computer graphics
and robotics applications.
The last chapter of the thesis entitled “Contraction Theory and Self-organized Scenarios
in Computer Graphics and Robotics” is dedicated to optimal control strategies in multi-agent scenarios of large crowds of agents expressing highly nonlinear behaviors. This last
part presents new mathematical tools for stability analysis and synthesis of multi-agent
cooperative scenarios. |
en |
dc.description.abstract |
In den letzten Jahrzehnten hat die Forschung in den Bereichen der Steuerung und Regelung
komplexer Systeme erhebliche Fortschritte gemacht, insbesondere in den Bereichen
Robotik und Computeranimation. Die Entwicklung solcher Systeme verwendet heutzutage
neueste Methoden und Entwicklungen im Bereich des maschinellen Lernens und der
künstlichen Intelligenz. Die flexible und echtzeitfähige Kombination von motorischen Verhaltensweisen
ist eine wesentliche Herausforderung für die Generierung menschenähnlicher
Animationen und in der humanoiden Robotik. In diesem Zusammenhang liefern biologisch
motivierte Methoden zur Analyse und Resynthese menschlicher motorischer Programme
neue Erkenntnisse und Modelle für die antizipatorische Bewegungssynthese.
Diese Dissertation präsentiert die Ergebnisse der Arbeiten des Autors im Gebiet der
kognitiven und Entwicklungsrobotik, kooperativer und humanoider Robotersysteme sowie
intelligenter und maschineller Lernmethoden in der Computergrafik. Der erste Teil der
Dissertation im Kapitel “Zielgerichtete Nachahmung für Roboter” behandelt das Imitationslernen
in der kognitiven und Entwicklungsrobotik. Die vorgestellten Arbeiten beschreiben
neue Methoden für die hierarchische Bewegungserkennung und -planung, die durch
Erkenntnisse zur Funktion der kortikalen Spiegelneuronen-Schaltkreise bei Primaten inspiriert
wurden. Die entwickelte Architektur ist in der Lage, ‘durch Imitation zu lernen’
und ‘zu lernen zu imitieren’. Das komplette entwickelte System enthält ein echtzeitfähiges
Pfadplanungssubsystem zur Hindernisvermeidung während der Durchführung von Armbewegungen.
Das lernbasierte Pfadplanungssubsystem ist universell und für alle Arten von
anthropomorphen Roboterarmen in der Lage, Wissen auf der Ebene einzelner motorischer
Handlungen zu übertragen.
Im zweiten Teil der Arbeit “Kinematische Bewegungssynthese für Computergrafik und
Robotik” werden die Probleme des Lernens und der Synthese motorischer Synergien, d.h.
von räumlichen und räumlich-zeitlichen Kombinationen motorischer Bewegungselemente
bei Bewegungssequenzen und bei aufgabenbezogenen Handlungs übergängen behandelt.
Es wird ein neuer Ansatz zur Modellierung komplexer menschlicher Ganzkörperaktionen
durch Mischungen von zeitverschiebungsinvarianten Motorprimitiven vorgestellt. Zudem
wurde ein online-fähiger Synthesealgorithmus für Ganzköperbewegungen entwickelt, der
auf dynamischen Bewegungsprimitiven basiert, die wiederum auf der Basis der gelernten
verschiebungsinvarianten Primitive konstruiert werden. Dieser Algorithmus wurde für
verschiedene Probleme der Bewegungssynthese für die Computergrafik- und Roboteranwendungen
implementiert.
Das letzte Kapitel der Dissertation mit dem Titel “Kontraktionstheorie und selbstorganisierte
Szenarien in der Computergrafik und Robotik” widmet sich optimalen Kontrollstrategien
in Multi-Agenten-Szenarien, wobei die Agenten durch eine hochgradig nichtlineare
Kinematik gekennzeichnet sind. Dieser letzte Teil präsentiert neue mathematische Werkzeuge
für die Stabilitätsanalyse und Synthese von kooperativen Multi-Agenten-Szenarien. |
de_DE |
dc.language.iso |
en |
de_DE |
dc.publisher |
Universität Tübingen |
de_DE |
dc.rights |
ubt-podok |
de_DE |
dc.rights.uri |
http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=de |
de_DE |
dc.rights.uri |
http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=en |
en |
dc.subject.classification |
Bewegungssteuerung , Bewegungskoordination , Informatik , Maschinelles Lernen , Robotik , Künstliche Intelligenz , Kontrolltheorie , Mehragentensystem |
de_DE |
dc.subject.ddc |
004 |
de_DE |
dc.subject.other |
Motor control |
en |
dc.subject.other |
Movement coordination |
en |
dc.subject.other |
Cognitive Robotics |
en |
dc.subject.other |
Machine Learning |
en |
dc.subject.other |
Computational Neuroscience |
en |
dc.subject.other |
Multi-agent Systems |
en |
dc.subject.other |
Control Theory |
en |
dc.title |
Computational Methods for Cognitive and Cooperative Robotics |
en |
dc.type |
PhDThesis |
de_DE |
dcterms.dateAccepted |
2018-09-12 |
|
utue.publikation.fachbereich |
Informatik |
de_DE |
utue.publikation.fakultaet |
7 Mathematisch-Naturwissenschaftliche Fakultät |
de_DE |