用于从示中学习运动原语的条件神经专家过程

从示中学习（LfD）是机器人技能获取中广泛使用的技术。然而，同一技能的示教可能表现出显著差异，或者学习系统可能试图同时获取同一技能的不同方式，这使得将这些运动编码为运动原语变得具有挑战性。为应对这些挑战，我们提出了一种 LfD 框架，即条件神经专家过程（CNEP），该框架利用潜在空间内的固有信息将不同模式的示教分配给不同的专家网络，从而实现专家与编码表示的匹配。CNEP 不需要关于轨迹属于何种模式的监督。我们将 CNEP 的性能与广泛使用且强大的 LfD 方法（如高斯混合模型、概率运动原语和稳定运动原语）进行了比较，结果表明我们的方法在多模态轨迹数据集上优于这些基线。结果揭示了对运动原语建模性能的提升，从而合成的轨迹能更准确地反映专家示教的轨迹，特别是在技能示教包含来自不同轨迹的交叉点时。我们在两个真实机器人任务（即避障和拾取放置任务）上评估了 CNEP 模型，这些任务要求机器人学习多模态运动轨迹并在给定目标环境条件下执行正确的原语。我们还表明，我们的系统能够通过在线调节机制对环境变化进行即时适应。最后，我们认为 CNEP 通过自主发现离散行为原语并提供关于其专家选择决策的概率值，提供了改进的可解释性和可理解性。