用于学习不连续多模态策略的 Composite Gaussian Processes Flows
机器人学
2025-02-05 v1 机器学习
摘要
学习面向实际机器人任务的控制策略时，常面临多模态性、局部断裂性以及计算效率需求等挑战。这些挑战源于机器人环境的复杂性，可能存在多个解决方案。为此，我们提出了 Composite Gaussian Processes Flows (CGP-Flows)，一种用于机器人策略的新型半参数模型。CGP-Flows 将 Overlapping Mixtures of Gaussian Processes (OMGPs) 与 Continuous Normalizing Flows (CNFs) 集成，使其能够建模处理多模态性和局部断裂性的复杂策略。这种混合方法保留了 OMGPs 的计算效率，同时融合了 CNFs 的灵活性。在仿真和实际机器人任务上的实验表明，CGP-flows 在建模控制策略方面显著提升了性能。在仿真任务中，我们确认 CGP-Flows 的成功率高于基线方法，而 CGP-Flow 的成功率在卡方检验中与其他基线方法存在显著差异。
引用
@article{arxiv.2502.01913,
title = {Composite Gaussian Processes Flows for Learning Discontinuous Multimodal Policies},
author = {Shu-yuan Wang and Hikaru Sasaki and Takamitsu Matsubara},
journal= {arXiv preprint arXiv:2502.01913},
year = {2025}
}