Kouretes Robocup Team

  • Μεγαλύτερο μέγεθος γραμματοσειράς
  • Προκαθορισμένο μέγεθος γραμματοσειράς
  • Μικρότερο μέγεθος γραμματοσειράς

Έρευνα

Ρομπότ Nao


Πολύπλοκα Μοτίβα Κινήσεων

Έχουμε αναπτύξει το KME (Kouretes Motion Editor), ένα εργαλείο που επιτρέπει την σχεδίαση πολύπλοκων μοτίβων κίνησης. Δείτε την δημοσίευσή μας στο ICRA 2009 [pdf] καθώς και το σχετικό ICRA 2009 βίντεο [wmv].

kmescreenshotfinal
Στιγμιότυπο από KME


Στιγμιότυπα μιας ακολουθίας κινήσεων που σχεδιασμένη με το KME.

Όραση

Έχουμε αναπτύξει το εργαλείο Kouretes Color Classifier (KC2), ένα γραφικό εργαλείο για το μαρκάρισμα εικόνων και την μάθηση ενός ταξινομητή για την διαδικασία του color segmentation. Παράδειγμα χρήσης σε αυτό το βίντεο [wmv].

Στιγμιότυπο από KCC

Εντοπισμός στο χώρο

Έχουμε αναπτύξει το Kouretes Localization (KLoc), ένα πλήρως λειτουργικό και παραμετρικό module για τον αυτοπροσδιορισμό της θέσης του ρομπότ, που βασίζεται σε οπτική αναγνώριση οροσήμων (landmarks) που αξιοποιεί φίλτρο σωματιδίων (auxiliary particle filter) . Η προτεινόμενη προσέγγιση περιλαμβάνει μια εύκολη μέθοδο για την γρήγορη μάθηση των μοντέλων κίνησης και αισθητήρων, στις τρέχουσες περιστάσεις. Ένα παράδειγμα αυτοπροσδιορισμού θέσης στο γήπεδο της τυπικής πλατφόρμας (SPL) εμφανίζεται σε αυτό το βίντεο [wmv].

Στιγμιότυπο από Kloc

Προσομοίωση με Microsoft Robotics Studio

χουμε εργαστεί σε όλες τις πτυχές των πρωταθλημάτων του Microsoft Robotics Studio (MSRS) . Δείτε τα βίντεο [wmv] [mp4].

Στιγμιότυπο από MSRS

Προσομοίωση με Webots

Έχουμε εργαστεί σε όλες τις πτυχές των πρωταθλημάτων του RobotStadium (Webots). Δείτε τα βίντεο [wmv1] [wmv2].

Στιγμιότυπο από Webots

Εκμάθηση δεξιοτήτων

Έχουμε χρησιμοποιήσει ενισχυτική μάθηση για την μάθηση μιας κίνησης σουταρίσματος (kick) ενώ το ρομπότ ισορροπεί στο ένα πόδι αποφεύγοντας την πτώση (Webots simulator). Δείτε το βίντεο [wmv].

Στιγμιότυπο από Webots

Δίποδη βάδιση

Έχουμε πειραματιστεί με την χρήση προγραμματιζόμενων central pattern generators (CPGs) για την καταγραφή του μοτίβου βάδισης που παρέχεται από την Aldebaran και την περαιτέρω βελτίωσή της με την τροποποίηση των παραμέτρων του CPG.

Ανακατασκευασμένες τροχιές αρθρώσεων βάδισης 5 βημάτων

Ρομπότ Aibo


Συντονισμός Ομάδας

Οι σχηματισμοί,οι τακτικές και οι στρατηγικές των ομάδων παραμένουν μια ανεξερεύνητη περιοχή στην έρευνα του πρωταθλήματος τετράποδων του RoboCup. Κάναμε ένα ριζοσπαστικό βήμα στον έλεγχο συμπεριφοράς και υλοποιήσαμε στρατηγικές ποδοσφαίρου βασισμένες σε ανθρώπινες στρατηγικές που χρησιμοποιούνται σε παιχνίδια πραγματικού ποδοσφαίρου. Δεδομένου ότι ο υπέρτατος στόχος του RoboCup είναι ένα παιχνίδι μεταξύ ρομποτικών παιχτών και επαγγελματιών ποδοσφαιριστών, πιστεύουμε ότι αυτή η δουλεία κάνει ένα βήμα προς αυτόν τον στόχο.

Σύμφωνα με το σύστημα συντονισμού μας, η στρατηγική της ομάδας υλοποιείται αξιοποιώντας τακτικές με σαφώς καθορισμένους ρόλους για κάθε παίκτη. Μέχρι σήμερα έχουμε ορίσει και υλοποιήσει τέσσερις τακτικές: Παθητική άμυνα, Πιεστική άμυνα, Αντεπίθεση και Παθητική επίθεση. Υπάρχουν τέσσερις ρόλοι σε κάθε τακτική: Επιθετικός, Μέσος, Αμυντικός, και Τερματοφύλακας. Κάθε ρόλος σε κάθε τακτική υλοποιείται χρησιμοποιώντας Petri-Net σχέδια. Η εικόνα παρακάτω απεικονίζει το σχέδιο για τον ρόλο του επιθετικού στην τακτική της αντεπίθεση. Μια μηχανή πεπερασμένων καταστάσεων σε συνδυασμό με ένα σύστημα επικοινωνίας με broadcast χρησιμοποιείται για να αποφασιστεί η τακτική της ομάδας και των ρόλων των παικτών κάθε στιγμή, βασισμένη στην θέση της μπάλας και των παικτών στο γήπεδο. Η δουλειά αυτή είχε ως αποτέλεσμα την βελτίωση της ομαδικότητας των παικτών με καλύτερη κάλυψη του γηπέδου από αυτούς.

Δείτε την δημοσίευση στο ICTAI 2007 [pdf] και βίντεο απο την τακτική της Πιεστικής Άμυνας : [αμυντικός] [μέσος] [επιθετικός] [όλοι]

Ένα παράδειγμα από ένα πλάνο Petri-Net .

Αποδοτική οπτική αναγνώριση

Ο κύριος αισθητήρας που αξιοποιούν τα Aibo είναι η CCD κάμερα. Τα ρομπότ βασίζονται σε οπτική πληροφορία για να απομονώσουν συγκεκριμένα χρώματα, να αναγνωρίσουν αντικείμενα συγκεκριμένων σχημάτων στο γήπεδο, και να εκτιμήσουν την απόστασή τους. Η δουλειά μας εστιάζει βελτίωση της απόδοσης έναντι στην αλληλοκάλυψη αντικειμένων και σε προβληματικό color segmentation. Συγκεκριμένα αξιοποιούμε ιστογράμματα για την αναπαράσταση της κατανομής των χρωμάτων πάνω σε διάφορες γραμμές (scanlines) πάνω στην εικόνα. Αυτό οδηγεί σε ορθή αναγνώριση των οροσήμων του γηπέδου. Η εικόνα παρακάτω δείχνει ένα παράδειγμα αναγνώρισης της μπάλας, ενός beacon και ενός τέρματος στην ίδια εικόνα. Δείτε την δημοσίευση στο SETN 2008 [pdf].

Στιγμιότυπο από το εργαλείο απεικόνισης.

Ενισχυτική Μάθηση

Η ενισχυτική μάθηση έχει χρησιμοποιηθεί ευρέως σε πολλές ρομποτικές εφαρμογές κυρίως σε μονοπρακτορική μορφή. Οι πολυπρακτορικές μορφές δεν έχουν υιοθετηθεί σε μεγάλη έκταση κυρίως λόγω δυσκολιών που σχετίζονται με αποδοτικότητα και κλιμάκωση σε πραγματικά πεδία εφαρμογής. Πρόσφατη ανεξάρτητη δουλειά από τους επιβλέποντές μας , οδήγησε στην επέκταση των κλασσικών αλγορίθμων μάθησης και planning σε συνεργατική πολυπρακτορική μάθηση (όπου πολλοί πράκτορες συνεργάζονται ομαδικά).

Οι ιδιότητες ως προς την κλιμάκωση αυτών των αλγορίθμων μέσω την αξιοποίηση των γνώσεων στο πεδίο, τους καθιστούν ελκυστικούς για το πεδίο του RoboCup. Απλοποίηση της αναπαράστασης μπορεί να πραγματοποιηθεί με βάση την απόσταση των παικτών κατά την διάρκεια ενός παιχνιδιού. Επιπρόσθετα, αυτές οι τεχνικές είναι ιδιαίτερα χρήσιμες για την μάθηση εξελιγμένων δεξιοτήτων κίνησης για τα Aibo. Το μεγάλο πλήθος βαθμών ελευθερίας υπονοεί ένα τεράστιο χώρο διατάξεων. Το εμπόδιο αυτό μπορεί να υπερνικηθεί και αυτό με κατάλληλη απλοποίηση της αναπαράστασης με βάση την απόσταση των αρθρώσεων από το σώμα του ρομπότ. TΗ ομάδα των Κουρητών είναι το εφαλτήριο για την υλοποίηση αυτών των αλγορίθμων και μελέτη των δυνατοτήτων τους σε δύσκολες εφαρμογές με περιορισμούς πραγματικού χρόνου.