基于核自适应MCMC的抓取主动与迁移学习
机器人学
2016-11-22 v1
摘要
人类对于给定物体的多用途抓取以及对于新颖（尚未见过）物体的抓取能力确实非凡。这可能源于婴儿通过主动摆弄多样物体而积累的经验。此外，在此过程中获得的知识被复用于学习如何抓取新颖物体。我们推测，这种主动与迁移学习的组合过程归结为围绕物体的随机搜索，由先验经验适当偏置，以识别有前景的抓取。在本文中，我们提出了一种用于给定物体抓取学习的主动学习方法，以及一种用于新颖物体抓取学习的迁移学习方法。我们的学习方法采用核自适应Metropolis-Hastings采样器，该采样器在学习物体抓取概率密度的近似的同时从中抽取抓取提议。该采样器采用模拟退火来搜索全局最优抓取。我们的实证结果显示了所提出学习方案有前景的适用性。
引用
@article{arxiv.1611.06368,
title = {Active and Transfer Learning of Grasps by Kernel Adaptive MCMC},
author = {Philipp Zech and Hanchen Xiong and Justus Piater},
journal= {arXiv preprint arXiv:1611.06368},
year = {2016}
}
备注
6 pages, 4 figures, 3 tables, technical report