基于半监督序列变分贝叶斯框架的软体机器人跨域迁移学习与状态推断
机器人学
2024-11-12 v4 机器学习
摘要
近来，深度神经网络等数据驱动模型已被证明是软体机器人建模与状态推断的有力工具。然而，深度模型有效运行需要海量数据，这要求详尽且高质量的数据采集，尤其是状态标签的采集。因此，由于软体机器人传感化困难以及非结构化环境中数据采集不便等原因，获取软体机器人系统的标注状态数据面临挑战。为应对该挑战，本文提出一种半监督序列变分贝叶斯(DSVB)框架，用于在某些机器人构型上存在状态标签缺失的软体机器人迁移学习与状态推断。考虑到软体机器人在不同构型下可能呈现各异的动力学特性，我们还引入了特征空间迁移策略以促进潜特征在多种构型间的适配。与现有迁移学习方法不同，我们提出的 DSVB 采用循环神经网络来建模软体机器人数据中的非线性动力学与时间相干性。所提框架在基于气动的软体机器手指的多种设置构型上得到验证。四种迁移场景下的实验结果表明，DSVB 在状态标签缺失情况下实现了有效的迁移学习与准确的状态推断。数据与代码见 https://github.com/shageenderan/DSVB。
引用
@article{arxiv.2303.01693,
title = {Cross-domain Transfer Learning and State Inference for Soft Robots via a Semi-supervised Sequential Variational Bayes Framework},
author = {Shageenderan Sapai and Junn Yong Loo and Ze Yang Ding and Chee Pin Tan and Raphael CW Phan and Vishnu Monn Baskaran and Surya Girinatha Nurzaman},
journal= {arXiv preprint arXiv:2303.01693},
year = {2024}
}
备注
Accepted at the IEEE International Conference on Robotics and Automation (ICRA) 2023