使用Transformer和xLSTM对结合多种基本动作的装配任务进行分类
机器人学
2025-05-26 v1
摘要
对人工执行的装配任务进行分类对于协作机器人至关重要，以确保安全、预测机器人动作并促进机器人学习。然而，当无法将任务分割为较小的基本动作时，实现可靠的分类具有挑战性，这要求我们对包含多种基本动作的长装配任务进行分类。在本研究中，我们提出基于手部关键点坐标对长装配序列任务进行分类，并比较两种成熟的分类器LSTM和Transformer以及一种新模型xLSTM的性能。我们使用了CT基准中提出的HRC场景，该场景包含结合插入、螺丝紧固和卡扣装配等动作的长装配任务。测试使用来自执行训练序列的操作员和三位新操作员收集的序列进行。LSTM、Transformer和xLSTM模型对训练操作员的真实填充序列测试结果分别为72.9%、95.0%和93.2%，对新操作员分别为43.5%、54.3%和60.8%。LSTM模型与其他两种方法相比明显表现不佳。如预期，Transformer和xLSTM对它们训练的操作员取得了满意的结果，尽管xLSTM模型对新操作员表现出更好的泛化能力。结果明确表明，对于此类分类，xLSTM模型比Transformer略有优势。
引用
@article{arxiv.2505.18012,
title = {Classification of assembly tasks combining multiple primitive actions using Transformers and xLSTMs},
author = {Miguel Neves and Pedro Neto},
journal= {arXiv preprint arXiv:2505.18012},
year = {2025}
}