Learning Visual Functions for a Mobile Robot with Genetic Programming

Created by W.Langdon from gp-bibliography.bib Revision:1.3973

@PhdThesis{Barate:thesis,
  author =       "Renaud Barate",
  title =        "Learning Visual Functions for a Mobile Robot with
                 Genetic Programming",
  title_fr =     "Apprentissage de fonctions visuelles pour un robot
                 mobile par programmation genetique",
  school =       "ENSTA",
  year =         "2008",
  address =      "32 Bd Victor 75015 Paris",
  month =        nov,
  note =         "In French",
  email =        "Contact : Antoine.Manzanera@ensta.fr",
  keywords =     "genetic algorithms, genetic programming, Vision,
                 mobile robotics, obstacle avoidance",
  URL =          "http://www.ensta.fr/~manzaner/Publis/these-barate.pdf",
  size =         "149 pages",
  abstract =     "Existing techniques used to learn artificial vision
                 for mobile robots generally represent an image with a
                 set of visual features that are computed with a
                 hard-coded method. This impairs the system's
                 adaptability to a changing visual environment. We
                 propose a method to describe and learn vision
                 algorithms globally, from the perceived image to the
                 final decision. The target application is the obstacle
                 avoidance function, which is necessary for any mobile
                 robot. We formally describe the structure of
                 vision-based obstacle avoidance algorithms with a
                 grammar. Our system uses this grammar and genetic
                 programming techniques to learn controllers adapted to
                 a given visual context automatically. We use a
                 simulation environment to test this approach and
                 evaluate the performance of the evolved algorithms. We
                 propose several techniques to speed up the evolution
                 and improve the performance and generalization
                 abilities of evolved controllers. In particular, we
                 compare several methods that can be used to guide the
                 evolution and we introduce a new one based on the
                 imitation of a recorded behavior. Next we validate
                 these methods on a mobile robot moving in an indoor
                 environment. Finally, we indicate how this system can
                 be adapted for other vision based applications and we
                 give some hints for the online adaptation of the
                 robot's behavior.",
  resume =       "En robotique mobile, les techniques d'apprentissage
                 qui utilisent la vision artificielle representent le
                 plus souvent l'image par un ensemble de descripteurs
                 visuels. Ces descripteurs sont extraits en utilisant
                 une methode fixee a l'avance ce qui compromet les
                 capacites d'adaptation du systeme a un environnement
                 visuel changeant. Nous proposons une methode permettant
                 de decrire et d'apprendre des algorithmes de vision de
                 maniere globale, depuis l'image percue jusqu'a la
                 decision finale. L'application visee est la fonction
                 d'evitement d'obstacles, indispensable a tout robot
                 mobile. Nous decrivons de maniere formelle la structure
                 des algorithmes d'evitement d'obstacles bases sur la
                 vision en utilisant une grammaire. Notre systeme
                 utilise ensuite cette grammaire et des techniques de
                 programmation genetique pour apprendre automatiquement
                 des controleurs adaptes a un contexte visuel donne.
                 Nous utilisons un environnement de simulation pour
                 tester notre approche et mesurer les performances des
                 algorithmes evolues. Nous proposons plusieurs
                 techniques permettant d'accelerer l'evolution et
                 d'ameliorer les performances et les capacites de
                 generalisation des controleurs evolues. Nous comparons
                 notamment plusieurs methodes d'evolution guidee et nous
                 en presentons une nouvelle basee sur l'imitation d'un
                 comportement enregistre. Par la suite nous validons ces
                 methodes sur un robot reel se deplacant dans un
                 environnement interieur. Nous indiquons finalement
                 comment ce systeme peut etre adapte a d'autres
                 applications utilisant la vision et nous proposons des
                 pistes pour l'adaptation d'un comportement en temps
                 reel sur le robot.",
  notes =        "Francais",
}

Genetic Programming entries for Renaud Barate

Citations