用于机器人技能精度保持外推的约束方程学习器网络

在示范编程中，机器人从人类示范中学习新技能。学习之后，机器人不仅应能够复现该技能，还应能将其泛化到偏移后的域中而无需收集新的训练数据。已有文献研究了向相似域的适应问题；然而，一个开放性问题是如何将习得的技能适应到数据分布之外的不同条件，更重要的是，如何保持期望适应的精度。本文提出一种称为约束方程学习器网络（Constrained Equation Learner Networks）的新型监督学习框架，从约束回归的视角解决示范编程中的轨迹适应问题。传统约束回归方法使用一类基函数（如高斯函数），而我们利用方程学习器网络学习一组解析表达式并将其用作基函数。这些基函数从示范中学习，目标是最小化与训练数据的偏差，同时施加表示期望适应的约束，如新的起点或终点，或将轨迹维持在给定边界内。我们的方法解决了机器人轨迹适应中的三个主要困难：1）最小化新适应下轨迹的畸变；2）保持适应的精度；3）应对对基函数结构缺乏直观认识的问题。我们在仿真和真实实验中，针对一组因环境变化而需要适应的机器人任务验证了该方法，并将所得结果与两种现有方法进行比较。实验表明，约束方程学习器网络通过提升机器人技能的泛化性与适应性，优于最先进（state of the art）方法。