概率运动基元的学习适应与鲁棒估计
机器学习
2020-02-20 v2 机器人学
机器学习
摘要
运动基元的概率表示为机器人机器学习开辟了重要新可能。这些表示能够将来自教师的示范可变性作为轨迹上的概率分布来捕捉，提供合理的探索区域并具备适应环境变化的能力。然而，为捕捉不同关节间的可变性及相关性，概率运动基元相较于仅建模均值行为的确定性对应方法，需要估计更多参数。本文中，我们利用概率运动基元参数的先验分布，以少量训练样本对参数进行鲁棒估计。此外，我们引入用于关节空间与任务空间中运动基元适应的通用算子。所提训练方法与适应算子在咖啡制备与机器人乒乓球任务中测试。在咖啡制备任务中，我们评估了对目标区域内咖啡研磨机与冲泡腔位置变化的泛化性能，仅经两次示范即达成期望行为。在乒乓球任务中，我们评估击球与回球率，在使用更少任务特定启发式方法的同时优于以往方法。
引用
@article{arxiv.1808.10648,
title = {Adaptation and Robust Learning of Probabilistic Movement Primitives},
author = {Sebastian Gomez-Gonzalez and Gerhard Neumann and Bernhard Schölkopf and Jan Peters},
journal= {arXiv preprint arXiv:1808.10648},
year = {2020}
}