پایان نامه
“یادگیری فعال قاب‌های کلیدی: فراگیری تعاملات و قیود حرکتی از یک نمایشِ واحد”

توسط | دسته‌بندی نشده

۱. مسئله و انگیزه

با وجود پیشرفت‌های رباتیک، برنامه‌نویسی سنتی ربات‌ها همچنان زمان‌بر، پرهزینه و نیازمند متخصصان رباتیک است.
تغییرات کوچک در یک وظیفه نیز مستلزم برنامه‌نویسی مجدد است. هدف این پایان‌نامه، ارائه‌ی روشی شهودی و کارآمد
برای آموزش ربات‌ها به افراد غیرمتخصص (متخصصان حوزه) است تا بتوانند وظایف چندمرحله‌ای را تنها با یک نمایشِ پیوسته
به ربات بیاموزند، بدون آنکه نیازی به کدنویسی باشد.

💡 ایده‌ی اصلی: یادگیری «کم‌محدودیت‌ترین» توصیف وظیفه (کمترین تعداد قاب‌های کلیدی) که هم‌چنان اجرای موفق را تضمین کند و حداکثر انعطاف را به برنامه‌ریز حرکتی بدهد.

۲. روش پیشنهادی: یادگیری فعال قاب‌های کلیدی (AKL)

روش AKL از یک نمایشِ تعاملی (حرکتِ هدایت‌شده توسط کاربر) برای استخراج دنباله‌ای از
«قاب‌های کلیدی» شامل تعاملات فیزیکی (برداشتن/گذاشتن اشیاء) و قیود حرکتی (حرکت در خط راست)
استفاده می‌کند. این قاب‌ها به‌صورت TSR (نواحی فضای وظیفه) مدل می‌شوند تا مستقل از سینماتیک ربات باشند.

🔹 دو مرحله‌ی اصلی AKL:

  1. نمایش تعاملی (برخط):
    • تشخیص‌گر برخطِ قید: با استفاده از رگرسیون لجستیک و «مخزن انرژی»، لحظات حرکت مستقیم‌الخط را از حرکت آزاد تشخیص می‌دهد.
    • ارتباط تعاملی: هر بار که ورود به ناحیه‌ی مقید تشخیص داده می‌شود، ربات از کاربر می‌پرسد:
      «آیا اینجا باید مستقیم حرکت کنم؟» و پاسخ‌های «بله/خیر/نمی‌دانم» را دریافت می‌کند. در صورت پاسخ منفی، به کاربر پیشنهاد می‌دهد که در نواحی غیرمقید، حرکت مستقیم انجام ندهد.
  2. یادگیری برون‌خطِ قاب‌های کلیدی:
    • قطعه‌بندی بر اساس تعاملات (تغییر حالت گریپر).
    • قطعه‌بندی بر اساس قیود با استفاده از بازخورد انسانی برای حذف قیود اشتباه.
    • ترکیب قاب‌های تعامل و قید که در فضا بر هم منطبق هستند.
    • انتخاب شیء مرجع (w) به‌عنوان شیء کلیدی در تعامل بعدی (نه نزدیک‌ترین شیء)، تا انطباق‌پذیری با تغییر مکان اشیاء افزایش یابد.
🧠 اثبات نظری: نویسنده با استفاده از لم‌ها و قضیه اثبات می‌کند که «کم‌محدودیت‌ترین توصیف وظیفه» دقیقاً
همان توصیفی است که کمترین تعداد قاب کلیدی را داشته باشد (چون افزودن هر قاب جدید، فضای مسیرهای قابل‌قبول را محدودتر می‌کند).

۳. ارزیابی تجربی

آزمایشی با ۱۲ شرکت‌کننده و سه وظیفه (برداشتن و گذاشتن، بازرسی، مونتاژ) در قالب طرح
درون‌سوژه‌ای انجام شد. هر شرکت‌کننده هر سه وظیفه را با سه روش زیر انجام داد:

  • AKL (روش پیشنهادی)
  • KD (نمایش قاب‌های کلیدیِ تعریف‌شده توسط کاربر)
  • mACL (روش یادگیری قیود مفصلی از [42] که با یادگیری تعاملات تقویت شده)

📊 معیارهای ارزیابی:

  • دقت قاب کلیدی (شاخص هم‌پوشانی IoU با زمین‌واقع)
  • دقت وضعیت (پوز) (هم‌پوشانی موقعیت قاب‌ها)
  • دقت قید (هم‌پوشانی طول قید)
  • بار کاری آموزشی (پرسشنامه NASA-TLX)
  • کارایی آموزشی (دقت قاب کلیدی تقسیم بر بار کاری)
  • کاربردپذیری (مقیاس SUS)
  • نرخ موفقیت (درصد یادگیریِ توصیفِ کم‌محدودیت)

۴. نتایج کلیدی

۶۶٫۷٪

نرخ موفقیت AKL (میانگین)

۴۱٫۷٪

نرخ موفقیت KD (به‌ترین حالت)

۳۳٫۳٪

نرخ موفقیت mACL (به‌ترین حالت)

۰٫۰۱۱s

زمان اجرای AKL (میانگین)

۲٫۶۴s

زمان اجرای mACL (میانگین)
  • ✅ فرضیه‌ی ۱ (دقت قاب کلیدی): AKL به‌طور معنی‌داری دقت بیشتری نسبت به KD و mACL داشت (p < 0.01).
  • ✅ فرضیه‌ی ۲ (دقت وضعیت): AKL دقت وضعیت به‌تری نسبت به دو روش دیگر نشان داد (p < 0.05).
  • ⚠️ فرضیه‌ی ۳ (دقت قید): گرچه از نظر آماری معنی‌دار نبود (p = 0.10)، اما توزیع خطاها نشان داد:
    • ۵۰٪ از توصیف‌های AKL خطای طول قید کمتر از ۲٫۱۸ سانتی‌متر داشتند، در حالی‌که این عدد برای mACL برابر ۲۳٫۶۵ سانتی‌متر بود.
    • تعداد کل خطاهای قید در AKL (۱۹ خطا) بسیار کمتر از mACL (۴۶ خطا) بود.
    • ۷۳٫۷٪ از خطاهای AKL ناشی از بازخورد اشتباه انسانی بود و AKL توانست ۵۱٫۲٪ از خطاها را با کمک بازخورد صحیح جلوگیری کند.
  • ⏳ بار کاری: AKL بار کاری به‌مراتب کمتری نسبت به KD داشت (p < 0.01)، اما نسبت به mACL بار کاری بیشتری داشت (هرچند معنی‌دار نبود). همچنین امتیاز کاربردپذیری AKL بین دو روش دیگر قرار گرفت (AKL: ۷۷٫۱، KD: ۶۷٫۵، mACL: ۸۷٫۱).
  • ✅ فرضیه‌ی ۴ (کارایی آموزشی): AKL کارایی بالاتری نسبت به KD (p < 0.01) و mACL (p < 0.05) داشت.
  • ⏱️ سرعت: AKL به‌طور میانگین حدود ۲۰۰ برابر سریع‌تر از mACL بود (۰٫۰۱۱ ثانیه در برابر ۲٫۶۴ ثانیه).
📌 نتیجه‌گیری اصلی: با وجود افزایش جزئی در بار کاری و کاهش کاربردپذیری نسبت به mACL (به‌دلیل پرسش‌های تعاملی)،
روش AKL به‌طور قابل‌توجهی موفق‌تر، دقیق‌تر و کارآمدتر از هر دو روش پایه در یادگیری توصیفِ کم‌محدودیت از یک نمایشِ واحد است.

۵. محدودیت‌ها و مسیر آینده

  • محدودیت فعلی: فقط تعاملات فیزیکی (با تغییر گریپر) و قید حرکت مستقیم‌الخط پشتیبانی می‌شود.
  • کارهای آینده:
      • پشتیبانی از تعاملات غیرفیزیکی یا پیچیده (مثل نگه‌داشتن لیوان زیر دستگاه قهوه).
      • تعمیم تشخیص‌گر برخط به قیود دیگر (مانند قیود جهت‌گیری یا دورانی) با موازی‌سازی چند تشخیص‌گر.

    Mouse Click
    1915, 108Left,Down+Up

    • بررسی تأثیر بازخورد بر «مدل ذهنی» معلم و استفاده از آن برای کاهش دفعات پرسش‌ها در آینده.






فهرست مطالب پایان‌نامه (AKL)


📑 فهرست مطالب

سرفصل صفحه
چکیده Abstract ۳
تقدیر و تشکر Acknowledgments ۵
فصل ۱: مقدمه Introduction ۱۳
۱-۱. یادگیری توصیف وظیفه در یادگیری از نمایش Task Specification Learning in LfD ۱۶
۱-۲. یادگیری فعال قاب‌های کلیدی Active Keyframe Learning ۱۹
۱-۳. ارزیابی عملکرد Performance Evaluation ۲۰
۱-۴. مشارکت‌ها و جهت‌گیری‌های آینده Contributions and Future Directions ۲۱
فصل ۲: کارهای مرتبط Related Work ۲۵
۲-۱. قطعه‌بندی مسیر و یادگیری قید Trajectory Segmentation and Constraint Learning ۲۵
۲-۲. یادگیری فعال در یادگیری از نمایش Active Learning in LfD ۳۰
فصل ۳: روش‌شناسی Method ۳۵
۳-۱. صورتبندی مسئله Problem Formulation ۳۵
۳-۲. توصیف وظیفه Task Specification ۳۷
۳-۲-۱. قاب‌های کلیدی تعامل Interaction Keyframes ۳۷
۳-۲-۲. قاب‌های کلیدی قید Constraint Keyframes ۳۸
۳-۲-۳. قاب‌های کلیدی ترکیبی Combined Keyframes ۳۸
۳-۲-۴. انتخاب شیء مرجع Selecting the Reference Object w ۳۹
۳-۲-۵. کم‌محدودیت‌ترین توصیف وظیفه Least Restrictive Task Specification ۴۱
۳-۳. چارچوب یادگیری فعال قاب‌های کلیدی The Active Keyframe Learning Framework ۴۳
۳-۳-۱. نمایش تعاملی Interactive Demonstration ۴۴
۳-۳-۲. یادگیری برون‌خط قاب‌های کلیدی Offline Keyframe Learning ۴۹
۳-۴. خلاصه Summary ۵۲
فصل ۴: راه‌اندازی آزمایشی و ارزیابی Experimental Setup and Evaluation ۵۳
۴-۱. روش‌های پایه Baseline Methods ۵۳
۴-۲. معیارهای سنجش Measures ۵۴
۴-۳. فرضیه‌ها Hypotheses ۵۵
۴-۴. طراحی آزمایش Experimental Design ۵۶
۴-۵. تحلیل Analysis ۵۹
۴-۵-۱. تحلیل مدل اثرات مختلط خطی Linear mixed-effects model analysis ۵۹
۴-۵-۲. تحلیل مقیاس کاربردپذیری سیستم System Usability Scale analysis ۶۰
۴-۶. نتایج Results ۶۰
۴-۶-۱. نرخ‌های موفقیت یادگیری توصیف وظیفه Task specification learning success rates ۶۱
۴-۶-۲. فرضیه ۱: دقت قاب کلیدی Hypothesis 1: Keyframe Accuracy ۶۲
۴-۶-۳. فرضیه ۲: دقت وضعیت Hypothesis 2: Pose Accuracy ۶۳
۴-۶-۴. فرضیه ۳: دقت قید Hypothesis 3: Constraint Accuracy ۶۵
۴-۶-۵. فرضیه ۴: بار کاری آموزشی Hypothesis 4: Teaching Workload ۶۷
۴-۶-۶. مقیاس کاربردپذیری سیستم System Usability Scale ۶۸
۴-۶-۷. فرضیه ۵: کارایی آموزشی Hypothesis 5: Teaching Efficiency ۶۹
۴-۶-۸. زمان‌های اجرا Runtimes ۶۹
۴-۷. بحث Discussion ۷۰
فصل ۵: نتیجه‌گیری و کارهای آینده Conclusion and Future Work ۷۳
مراجع References ۷۷


🤖 وقتی ربات از یک حرکت، «ماهیت» کار را می‌فهمد

داستان روشی که به ربات‌ها اجازه می‌دهد از یک نمایشِ ساده، هوشمندانه‌ترین و کم‌محدودیت‌ترین نقشه‌ی حرکتی را استخراج کنند
⏳ زمان مطالعه: ۴ دقیقه
🧠 یادگیری از نمایش
🎯 تعامل انسان و ربات

❓ چطور می‌شود به رباتی که هیچ‌چیز از برنامه‌نویسی نمی‌داند، یک کار چندمرحله‌ای را فقط با یک بار نشان دادن، به‌طور کامل و بی‌نقص یاد داد؟
ماجرای این پژوهش از یک تناقض شروع می‌شود: هرچه نمایش ساده‌تر باشد، خطر یادگیریِ اشتباه بیشتر است.
اما راه‌حلی که این پایان‌نامه ارائه می‌دهد، هوشمندانه‌تر از آن چیزی است که به نظر می‌رسد.

مشکل کجاست؟

وقتی یک کارشناس (که ربات‌خوان نیست) یک حرکت را به ربات نشان می‌دهد، معمولاً مسیر را ناخواسته بیش از حد محدود می‌کند.
مثلاً در جاهایی که اصلاً نیازی به حرکت مستقیم نیست، باز هم ربات را مستقیم حرکت می‌دهد.
نتیجه؟ ربات یک توصیفِ بیش‌محدود از کار یاد می‌گیرد و بعداً نمی‌تواند مسیرهای کارآمد یا انعطاف‌پذیر را اجرا کند.

🔑 نقطه‌ی عطف: روشی به نام «یادگیری فعال قاب‌های کلیدی» یا AKL این تناقض را با یک مکانیزم ساده اما عمیق حل می‌کند:
در لحظه‌ای که ربات فکر می‌کند حرکت مستقیم لازم است، از کاربر می‌پرسد: «واقعاً اینجا باید مستقیم بروم؟»

چرا این ایده، نبوغ‌آمیز است؟

به‌جای اینکه ربات منفعلانه هر حرکتی را کپی کند، شک می‌کند، سؤال می‌پرسد، و از پاسخ برای اصلاح «مدل ذهنی» خود استفاده می‌کند.
این یعنی ربات نه‌تنها از حرکت، بلکه از قصدِ انسان هم یاد می‌گیرد.
نتیجه‌ی این رویکرد در آزمایش‌ها خیره‌کننده بوده:

  • ۶۶٪ موفقیت در یادگیریِ دقیق‌ترین و کم‌محدودیت‌ترین توصیفِ کار، در حالی که روش‌های سنتی به ۳۰ تا ۴۰٪ هم نمی‌رسیدند.
  • کاهش ۵۱ درصدی خطاهای قید فقط با کمک بازخوردهای انسانیِ لحظه‌ای.
  • ربات ۲۰۰ برابر سریع‌تر از یک روش پیشرفته‌ی دیگر، قیدها را تشخیص می‌داد.
کم‌محدودیت‌ترین توصیف، همان توصیفی است که کمترین قاب کلیدی را داشته باشد — اثباتی ریاضی که نشان می‌دهد «کمتر، بیشتر است».

📌 اما نکته‌ی ظریف اینجاست

۷۳٪ از خطاهایی که همچنان در AKL رخ می‌داد، به‌خاطر پاسخِ اشتباه خود انسان بود.
یعنی وقتی کاربر به سؤال ربات «نه» می‌گفت در حالی که باید «بله» می‌گفت، ربات قیدِ درست را حذف می‌کرد.
این یعنی ربات به اندازه‌ی کیفیتِ بازخورد انسان، خوب یاد می‌گیرد — و این خودش یک پنجره‌ی جدید برای پژوهش است:
چطور می‌توان به خودِ انسان کمک کرد تا بازخورد بهتری بدهد؟

چرا این موضوع برای آینده‌ی رباتیک مهم است؟

کارخانه‌های امروزی به شدت به برنامه‌نویسان رباتیک وابسته‌اند. هر تغییر کوچک در خط تولید، هزینه‌ی سنگینی دارد.
روش‌هایی مثل AKL می‌توانند دموکراتیزه‌کردنِ برنامه‌نویسی ربات را ممکن کنند:
یک تکنسینِ خط تولید، بدون هیچ دانشِ برنامه‌نویسی، در کمتر از چند دقیقه یک وظیفه‌ی پیچیده را به ربات آموزش می‌دهد.
این یعنی انعطاف‌پذیریِ بی‌سابقه در کنار کاهشِ چشمگیرِ هزینه‌ها.

🌟 دیدگاهِ نویسنده: «ما ثابت کردیم که کم‌محدودیت‌ترین توصیف، کمترین تعداد قاب کلیدی را دارد.
اما گام بعدی این است که به ربات یاد بدهیم خودش تشخیص دهد که کی باید سؤال بپرسد و چگونه از مدلِ ذهنیِ انسان برای کاهشِ دفعاتِ سؤال استفاده کند.»

این پژوهش فقط یک روشِ جدید نیست؛ یک تغییرِ پارادایم در نحوه‌ی تعاملِ انسان و ربات است.
رباتی که سؤال می‌پرسد، رباتی است که می‌فهمد چه چیزی را نمی‌فهمد — و این شاید هوشمندانه‌ترین کاری باشد که یک ماشین می‌تواند انجام دهد.

 

بسیار سریع و ساده می توانید اصل این پایان نامه را به صورت فایل PDF در اختیار داشته باشید.

پس از دریافت پایان‌نامه، کلیه اطلاعات کتاب‌شناختی موردنیاز برای استناد علمی، از جمله نام دانشگاه، عنوان پایان‌نامه، نام پژوهشگر، سال دفاع و سایر مشخصات مرتبط، جهت ارجاع‌دهی صحیح مطابق با استانداردهای رایج، در اختیار شما قرار خواهد گرفت.