CMAX++：在执行中使用不精确模型并利用经验进行规划与执行
机器人学
2020-10-19 v3 人工智能
机器学习
摘要
在能够获得精确动力学模型的情况下，现代规划方法可有效计算出重复性机器人任务的可行且最优的计划。然而，在执行前对真实世界的真实动力学进行建模是困难的，尤其是对于需要与参数未知的物体进行交互的任务。近期的一种规划方法CMAX通过在执行期间在线调整规划器，使所得计划偏离建模不准确的区域，从而解决了这一问题。CMAX虽然被证明能够保证到达目标，但其对用于规划的模型准确性有较强假设，并且无法在重复同一任务时改善解的质量。在本文中，我们提出CMAX++，一种利用真实世界经验在连续重复机器人任务时改善所得计划质量的方法。CMAX++通过将使用所获经验的免模型学习与使用潜在不精确模型的基于模型规划相结合来实现这一点。我们提供了关于CMAX++的完备性以及随着重复次数增加渐近收敛到最优路径代价的可证明保证。CMAX++还被证明在模拟机器人任务中优于基线方法，包括轨迹摩擦被错误建模的3D移动机器人导航，以及物体质量未知导致真实与建模动力学存在差异的7D抓取放置任务。
引用
@article{arxiv.2009.09942,
title = {CMAX++ : Leveraging Experience in Planning and Execution using Inaccurate Models},
author = {Anirudh Vemula and J. Andrew Bagnell and Maxim Likhachev},
journal= {arXiv preprint arXiv:2009.09942},
year = {2020}
}