1 / 117

Cours 4

Cours 4. Julien Diard Laboratoire de Psychologie et NeuroCognition – CNRS UE Cognition bayésienne 03/01/2011 http://diard.wordpress.com Julien.Diard@upmf-grenoble.fr. Plan des cours. Introduction à la Programmation Bayésienne : incomplétude, incertitude

athena-odom
Télécharger la présentation

Cours 4

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Cours 4 Julien Diard Laboratoire de Psychologie et NeuroCognition – CNRS UE Cognition bayésienne 03/01/2011 http://diard.wordpress.com Julien.Diard@upmf-grenoble.fr

  2. Plan des cours • Introduction à la Programmation Bayésienne : incomplétude, incertitude • Programmation bayésienne : exemple détaillé • Classes de modèles probabilistes, distributions usuelles, Programmation bayésienne des robots • PBR (suite), Modélisation bayésienne de la perception et de l’action • Comparaison bayésienne de modèles • Compléments : inférence, apprentissage, principe d’entropie

  3. Plan • Résumé + questions ! • Programmation Bayésienne des Robots : exemples (fin) • Combinaison de comportements • Intégration : tâche de veilleur de nuit • Autres applications : ADAS, CAD, learning sensorimotor trajectories, Bayesian action selection and attention focusing, … • Modélisation bayésienne de la perception • Introduction à la perception multi- • Perception visuo-haptique : (Ernst & Banks, 02) détaillé • Causal Inference • Questions ouvertes • Modélisation bayésienne de l’action • Introduction au contrôle moteur, Modèle de minimum variance • Modélisation de la perception et de l’action • Exemple : boucle perception et action de la lecture et l’écriture

  4. Plan • Résumé + questions ! • Programmation Bayésienne des Robots : exemples (fin) • Combinaison de comportements • Intégration : tâche de veilleur de nuit • Autres applications : ADAS, CAD, learning sensorimotor trajectories, Bayesian action selection and attention focusing, … • Modélisation bayésienne de la perception • Introduction à la perception multi- • Perception visuo-haptique : (Ernst & Banks, 02) détaillé • Causal Inference • Questions ouvertes • Modélisation bayésienne de l’action • Introduction au contrôle moteur, Modèle de minimum variance • Modélisation de la perception et de l’action • Exemple : boucle perception et action de la lecture et l’écriture

  5. Learning Reactive Behaviors • Khepera Robot • Avoiding Obstacle • Contour Following • Piano mover • Phototaxy • etc. Lebeltel, O., Bessière, P., Diard, J. & Mazer, E. (2004) Bayesian Robot Programming; Autonomous Robots, Vol. 16, p. 49-79 Lebeltel, O. (1999) Programmation bayésienne des robots; Thèse INPG

  6. Description Utilization Question Reactive behaviours Specification • Variables • Decomposition • Parametrical Forms Program •  Preliminary Knowledge p Identification • Joystick Remote Control  Experimental Data d d1 pushing obstacles d2 contour following d3 obstacle avoidance d d

  7. Description Utilization Question Sensor Fusion Model Specification • Variables ThetaL, DistL, Lm0, …, Lm7 • Decomposition (Conditional Independance Hypothesis) • Parametrical Forms Program Identification • No free parameters

  8. Description Utilization Question Object Recognition (Model) Specification • Variables Nlt, Nrt, Per, Llsl, O = {0, 1, 2, …} • Decomposition (Conditional Independance Hypothesis) • Parametrical Forms Program Identification • Identification of the Laplace succession laws and Gaussians

  9. Bayesian Bot Specification • Variables • Decomposition • Parametric Forms • Perception: L Life, W Weapon, FW Foe Weapon, N Noise,FN Foe Number, PW Proximity Weapon,PL Proximity Life • State: St, St+1 {Attack, Weapon Search, Life Search, Exploration, Escape, Danger Detection} Description P(St St+1 L W FW N FN PW PL) = P(St) P(St+1 | St) P(L | St+1) P(W | St+1) P(FW | St+1) P(N | St+1) P(FN | St+1) P(PW | St+1) P(PL | St+1) Program Tables Identification Question Utilization • Playing: P(St+1 |St L W FW N FN PW PL)

  10. Plan • Résumé + questions ! • Programmation Bayésienne des Robots : exemples (fin) • Combinaison de comportements • Intégration : tâche de veilleur de nuit • Autres applications : ADAS, CAD, learning sensorimotor trajectories, Bayesian action selection and attention focusing, … • Modélisation bayésienne de la perception • Introduction à la perception multi- • Perception visuo-haptique : (Ernst & Banks, 02) détaillé • Causal Inference • Questions ouvertes • Modélisation bayésienne de l’action • Introduction au contrôle moteur, Modèle de minimum variance • Modélisation de la perception et de l’action • Exemple : boucle perception et action de la lecture et l’écriture

  11. Spécification Description Programme Identification • A priori Question Utilisation Comportementphototaxie • Variables • Lum : {-170, -90, -45, -10, +10, +45, +90, +170}, 8 • Vrot : [-10..+10], 21 • Décomposition • P(Lum Vrot | C-photo) = P(Lum | C-photo) P(Vrot | Lum C-photo) • Formes paramétriques • P(Lum | C-photo)  Uniforme • P(Vrot | Lum C-photo)  Gaussiennes • P(Vrot | [Lum=l] C-photo)

  12. Homing Behavior Specification • Variables • Dir, Prox, ThethaL, Vrot • H : {a, p}[H=a] : avoid, [H=p] : phototaxy • Decomposition Description • Parametrical Forms and Recursive Questions Program Question Utilization

  13. Homing Behavior

  14. Identification de P(H | Prox)

  15. Identification de P(H | Prox) • Propagation de P(H | Dir Prox Lum Vrot) • Exemple • P([H=e] | Dir Prox Lum Vrot) = 0,82 • P([H=p] | Dir Prox Lum Vrot) = 0,18 • Création de 82 données <e, proxt > 18 données <p, proxt >

  16. Apprentissage hiérarchique : résultat

  17. Plan • Résumé + questions ! • Programmation Bayésienne des Robots : exemples (fin) • Combinaison de comportements • Intégration : tâche de veilleur de nuit • Autres applications : ADAS, CAD, learning sensorimotor trajectories, Bayesian action selection and attention focusing, … • Modélisation bayésienne de la perception • Introduction à la perception multi- • Perception visuo-haptique : (Ernst & Banks, 02) détaillé • Causal Inference • Questions ouvertes • Modélisation bayésienne de l’action • Introduction au contrôle moteur, Modèle de minimum variance • Modélisation de la perception et de l’action • Exemple : boucle perception et action de la lecture et l’écriture

  18. Nightwatchman Task Question : Solution : P(VrotVtrans | px0px1 … lm7veillefeu … per) ∑ThetaL DistL Td Tach H Base P(…)

  19. Nightwatchman Task Answer!

  20. Decision

  21. Inférence exacte • sommation, propagation des incertitudes • Inférence approximée • décisions intermédiaires (tirage de points), propagation d’une partie des incertitudes

  22. Nightwatchman Task: Result

  23. Plan • Résumé + questions ! • Programmation Bayésienne des Robots : exemples (fin) • Combinaison de comportements • Intégration : tâche de veilleur de nuit • Autres applications : ADAS, CAD, learning sensorimotor trajectories, Bayesian action selection and attention focusing, … • Modélisation bayésienne de la perception • Introduction à la perception multi- • Perception visuo-haptique : (Ernst & Banks, 02) détaillé • Causal Inference • Questions ouvertes • Modélisation bayésienne de l’action • Introduction au contrôle moteur, Modèle de minimum variance • Modélisation de la perception et de l’action • Exemple : boucle perception et action de la lecture et l’écriture

  24. Bayesian Occupancy Filter for ADAS Objectif : évitement d’obstacle Pas de soucis d’identification et de tracking des cibles Coué, C., Pradalier, C., Laugier, C., Fraichard, T. & Bessière, P. (2006) Bayesian Programming multi-target tracking: an automotive application; IJRR (International Journal of Robotic Research); Vol. 25, N° 1, pp. 19-30 Coué, C. (2003) Fusion d’information capteur pour l’aide à la conduite automobile; PhD thesis, INPG

  25. P([Ec=1] | z c) c = [x, y, 0, 0] z = (5, 2, 0, 0) Illustration (1 sensor - 1 object)

  26. z = (5, 2, 0, 0) Illustration (1 sensor - 1 object) P([Ec=1] | z c) c = [x, y, 0.8, -1.0]

  27. P([Ec=1] | z c) c = [x, y, 0, 0] Illustration (1 sensor - 1 object) • Occupied space • Free space • Nonobservable space • Occulted space

  28. z1 = (8.3, -4, 0, 0) z2 = (7.3, 1.9, 0, 0.8) z3 = (5, 3, 0, 0) P([Ec=1] | z1 z2 z3 c) c = [x, y, 0, 0] Multi-target: illustration

  29. z1 = (8.3, -4, 0, 0) z2 = (7.3, 1.9, 0, 0.8) z3 = (5, 3, 0, 0) Multi-target: illustration P([Ec=1] | z1 z2 z3 c) c = [x, y, 0, 0.8]

  30. P([Ec=1] | z1,1 z1,2 z2,1 z2,2 c) c = [x, y, 0, 0] z1,1 = (5.5, -4, 0, 0)z1,2 = (5.5, 1, 0, 0) z2,1 = (11, -1, 0, 0)z2,2 = (5.4, 1.1, 0,0) Illustration (2 sensors - 3 objects)

  31. Results - 1 No filter Bayesian filter

  32. Results - 2 No filter Bayesian filter

  33. Application 1 – Cycab control

  34. Application 2 - ADAS Cibles dans le BOF (Simule le regard du conducteur) Entrée video, produit les zones d’intérêt BOF

  35. Application 3

  36. Application 4 – multi-camera

  37. Bayesian CAD system Mekhnacha, K. (1999) Méthodes probailistes bayésiennes pour la prise en compte des incertitudes géométriques : Applications à la CAO robotique; PhD thesis, INPPG Mekhnacha, K., Mazer, E. & Bessière, P. (2001) The design and implementation of a Bayesian CAD system; Advanced Robotics, Vol. 15, N° 1 Mekhncha, K., Mazer, E. & Bessière, P. (2000) A Robotic CAD system using a Bayesian Framework; Best Paper Award IEEE/IROS; Vol 3, pp. 1597-1604

  38. P(Q) O(Q) = 0 C(Q) < 0 P(Q) P(Q) P(Q) C(Q) < 0 Kinematic Chains AXE 1 AXE 2 AXE 3 ROBOT AXE 2 AXE 3 GRIPPER AXE 1 GRIPPER TABLE EDGE 1 ROBOT PART PART EDGE 1 TABLE

  39. Uncertainty Elipsoid

  40. Insertion

  41. Kinematic Inversion

  42. Robot navigation Pradalier, C., Hermosillo, J., Koike, C., Braillon, C., Bessière, P. & Laugier, C. (2005) The CyCab: A car-like robot navigating autonomously and safely among pedestrians; Robotics and Autonomous Systems Pradalier, C. (2005) Navigation intentionelle d’un robot mobile; PhD thesis, INPG

  43. Robot navigationProgrammation proscriptive

  44. Robot navigationTrajectory learning and replay

  45. Bayesian Approach to Action Selection and Attention Focusing Koike, C. (2005) Bayesian approach to Action Selection and Attention Focusing: Application in Autonomous Robot Programming; PhD thesis; INPG

  46. Early development of speech:Orofacial imitation Serkhane, J., Schwatrz, J-L. & Bessière, P. (2005) Building a talking bay robot: a contribution to the study of speech acquisition and evolution; Interaction studies, Vol. 6 N° 2, pp. 253-286 Serkhane, J. (2005) Apprentissage Bayésien Intersensoriel de structure phonologique par un androïde bébé; PhD thesis UJF

  47. Early development of speech:Orofacial imitation

  48. Cost Evaluation

More Related