通过数据细化约束高斯过程隐式曲面用于机器人操纵
机器人学
2024-10-02 v1
摘要
基于模型的控制面临在部分可观测环境中因未建模障碍物而面临的根本挑战。我们提出了一种在线学习和优化方法，用于在线识别并规避未观测到的障碍物。我们的方法，称为约束遵守高斯隐式曲线（Constraint Obeying Gaussian Implicit Surfaces, COGIS），通过结合视觉输入和状态跟踪推断接触数据，受到来自名义动力学模型的预测信息驱动。随后我们对这些数据拟合高斯过程隐式曲线（GPIS），并通过一种新方法对估计的曲线施加约束。这使我们能够设计一种利用障碍估计完成多项操纵任务的模型预测控制（MPC）方法。通过对环境进行建模而非尝试直接适应动力学，本方法在低维 peg-in-hole 任务和高维可变形物体操纵任务中均成功。在实际世界的部分可观测环境下的电缆操纵任务中，我们的方法在 10/10 次试验中成功，而基线方法仅为 1/10 次。
引用
@article{arxiv.2410.00157,
title = {Constraining Gaussian Process Implicit Surfaces for Robot Manipulation via Dataset Refinement},
author = {Abhinav Kumar and Peter Mitrano and Dmitry Berenson},
journal= {arXiv preprint arXiv:2410.00157},
year = {2024}
}
备注
Accepted to IEEE RA-L