基于条件变分自编码器的动态运动多任务仿真学习
机器人学
2024-05-27 v1
摘要
动态运动原语（DMP）方法是学习演示的有效方法。然而，当前大多数DMP方法专注于单一任务，仅使用一个模块。虽然一些深度学习框架可以同时学习多个任务，但这些方法需要大量训练数据，并且对所学行为在未训练状态下的泛化性有限。本文提出一种结合传统DMP方法和条件变分自编码器（CVAE）优势的框架。编码器和解码器由动态系统和深度神经网络构成。深度神经网络根据任务ID生成扭矩，然后，该扭矩用于基于最终状态在动态系统中创建期望轨迹。如此一来，生成的轨迹可以根据新目标位置进行调整。我们还提出一种微调方法以保证通过点约束。本模型在书写数字数据集上进行训练，可用于解决机器人任务——到达和推送。本文验证了该模型在仿真环境中的有效性。结果表明，在书写数字数据集上训练后，在推送和到达任务上实现了100%的成功率。
引用
@article{arxiv.2405.15266,
title = {Conditional Variational Auto Encoder Based Dynamic Motion for Multi-task Imitation Learning},
author = {Binzhao Xu and Muhayy Ud Din and Irfan Hussain},
journal= {arXiv preprint arXiv:2405.15266},
year = {2024}
}