面向机器人轨迹适应的约束概率运动基元
机器人学
2022-01-06 v3
摘要
将机器人置于受控环境之外，需要通用的运动表示，使机器人能够学习新任务并使其适应环境变化。工作空间中障碍物的引入或额外机器人的放置、因故障或活动范围约束导致的关节范围修改，都是适应能力在安全执行机器人任务中起关键作用的典型情形。概率运动基元(ProMPs)已被提出用于表示可适应的运动技能，其被建模为轨迹上的高斯分布。这些在解析上可处理，且可从少量示范中学习。然而，无论是原始ProMP公式还是后续方法，都仅针对特定运动适应问题（如避障）提供解决方案，而缺失一种通用的、统一的概率适应方法。本文中，我们开发了一个用于适应ProMPs的通用概率框架。我们将先前的适应技术（例如各类避障、经由点、互避）统一于单一框架中，并组合它们以解决复杂机器人问题。此外，我们推导了新颖的适应技术，如时间无界经由点与互避。我们将适应表述为一个约束优化问题，其中在将不期望轨迹相关的概率质量约束为较低的同时，最小化适应后分布与原始基元分布间的Kullback-Leibler散度。我们在平面机械臂仿真及双机械臂设置下7-DOF Franka-Emika机器人的若干适应问题上演示了我们的方法。
引用
@article{arxiv.2101.12561,
title = {Constrained Probabilistic Movement Primitives for Robot Trajectory Adaptation},
author = {Felix Frank and Alexandros Paraschos and Patrick van der Smagt and Botond Cseke},
journal= {arXiv preprint arXiv:2101.12561},
year = {2022}
}
备注
There is a supplementary video accompanying the paper. It can be found at https://youtu.be/7UI6QX-eZ3I