Interação de longa duração para aprendizado de comportamentos interativos utilizando deep reinforcement learning

• Processo: 18/25782-5
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Vigência (Início): 01 de novembro de 2019
• Vigência (Término): 30 de setembro de 2022
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Roseli Aparecida Francelin Romero
• Beneficiário: José Pedro Ribeiro Belo
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Robótica Robôs sociais Aprendizagem profunda Comportamento Interação homem-máquina
• Palavra(s)-Chave do Pesquisador: Deep Reinforcement Learning | Interação humano-robô | Robótica Social | Robótica

Resumo

A robótica social representa um ramo da interação humano-robô que visa desenvolver robôs para atuar em ambientes não estruturados em parceria direta com seres humanos. É esperado que robôs sociais tenham a capacidade de interagir com seres humanos compreendendo sinais sociais e respondendo apropriadamente, a fim de promover uma interação “natural'' e socialmente aceitável entre humanos e robôs. O objetivo desta tese é a elaboração de um módulo para robôs sociais capaz de aprender automaticamente comportamentos interativos de seres humanos e, a partir disto, reagir de forma natural e adequada a estes comportamentos. Para atingir este objetivo, serão exploradas técnicas de aprendizado por reforço e aprendizagem profunda (deep reinforcement learning), além de aspectos específicos de interação de longa duração que permitirão ao robô memorizar interações passadas. Além disto, o sistema será agregado à arquitetura Cognitive Model Development Environment (CMDE), desenvolvida no Laboratório de Aprendizado de Robôs (LAR) da USP-São Carlos, direcionada para modelar aplicações que envolvam robótica social. Desta forma, esta tese contribui com a arquitetura adicionando um módulo de aprendizado de comportamentos interativos. Além disto, a validação do sistema será feita por meio de uma aplicação que permita uma análise de longo prazo, isto é, interação de longa duração com o robô, o qual irá armazenar interações e ações executadas, associadas ao reconhecimento do humano. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

BELO, JOSE PEDRO R.; AZEVEDO, HELIO; RAMOS, JOSUE J. G.; ROMERO, ROSELI A. F.. Deep Q-network for social robotics using emotional social signals. FRONTIERS IN ROBOTICS AND AI, v. 9, p. 19-pg., 2022-09-26. (17/01687-0, 18/25782-5)

BELO, JOSE PEDRO R.; ROMERO, ROSELI A. F.; IEEE. A Social Human-Robot Interaction Simulator for Reinforcement Learning Systems. 2021 20TH INTERNATIONAL CONFERENCE ON ADVANCED ROBOTICS (ICAR), v. N/A, p. 6-pg., 2021-01-01. (18/25782-5, 17/01687-0)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

BELO, José Pedro Ribeiro. Aprendizado por reforço profundo para robótica social usando sinais sociais e emoções faciais. 2022. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.