基于合成数据的人形运动机器人持续学习
机器人学
2021-02-22 v1 人工智能
摘要
为检测和纠正体育锻炼动作，我们开发了一种具有循环连接、情景记忆和新型子节点机制的Grow-When-Required网络（GWR），以学习身体运动与姿态的时空关系。一旦完成某项锻炼，每帧的姿态与运动信息便存储于GWR中。对于每一帧，当前姿态与运动对会与GWR的预测输出进行比较，从而不仅能对姿态还能对运动速度给出反馈。在实际场景中，由如理疗师等专家完成一项体育锻炼，随后用作如Pepper等人形机器人对同一锻炼中患者执行情况的参考。然而，该方法面临两个挑战。首先，GWR还需考虑人形机器人与用户在机器人摄像头视野中的距离和位置，要求对用户在其视野中的定位具有鲁棒性。其次，由于姿态与运动均依赖于原始执行者的身体尺寸，专家锻炼难以直接用作参考。本文通过设计一种架构来应对第一个挑战，该架构允许相对于视野中心的平移与旋转容差。针对第二个挑战，我们允许GWR在增量数据上在线增长。为评估，我们创建了一个名为Virtual-Squat数据集的带虚拟化身的新锻炼数据集。总体而言，我们声称这种基于GWR的新架构可通过持续在线学习利用已学锻炼参考适应不同身体差异，同时防止灾难性遗忘，从而实现与人形机器人引人入胜的长期人机交互。
引用
@article{arxiv.2102.10034,
title = {Continual Learning from Synthetic Data for a Humanoid Exercise Robot},
author = {Nicolas Duczek and Matthias Kerzel and Stefan Wermter},
journal= {arXiv preprint arXiv:2102.10034},
year = {2021}
}