Auto-LfD：迈向演示学习的闭环
机器人学
2023-10-17 v1
摘要
过去几年中，诸多工作致力于提升机器人泛化能力，其中演示学习（LfD）凭借其用户友好与数据高效的特性备受关注。尽管已有众多 LfD 方案被提出，一个关键问题尚未妥善解决：我们如何评估 LfD 的泛化性能？例如，当机器人绘制需经过新目标点的字母时，如何确保新轨迹保持与演示相似的形状？当新任务远离演示区域时，该问题更为突出。为应对此问题，用户常手动调参 LfD 方法的超参数直至获得满意轨迹。本文旨在为 LfD 提供闭环评估反馈并以自动方式优化 LfD。具体而言，我们以动态运动基元（DMP）与核化运动基元（KMP）为例，开发了一个通用优化框架，能够度量 DMP 与 KMP 的泛化性能并在无人工输入下自动优化其超参数。包括在真实机器人上的插孔与推物任务等评估印证了我们框架的适用性。
引用
@article{arxiv.2310.09791,
title = {Auto-LfD: Towards Closing the Loop for Learning from Demonstrations},
author = {Shaokang Wu and Yijin Wang and Yanlong Huang},
journal= {arXiv preprint arXiv:2310.09791},
year = {2023}
}
备注
10 pages, 10 figures