面向富含接触操作任务的数据高效模型学习与预测
机器人学
2020-09-29 v3
摘要
在本通讯中,我们研究富含接触操作中前向动力学模型的学习与状态变量多步预测(长期预测)。问题在基于模型的强化学习(MBRL)框架下表述。我们关注两个方面——非连续动力学与数据效率——二者在该确定范畴内均十分重要,并对当前最优(SOTA)方法构成显著挑战。我们通过提出一种方法弥补此差距:该方法显式采用特定的混合结构作为模型,同时利用高斯过程的不确定性表示与数据效率。我们在示意性的移动方块任务与 7 自由度机器人上的实验表明,在低数据情形下相较于流行基线具有明显优势。
引用
@article{arxiv.1909.04915,
title = {Data-efficient Model Learning and Prediction for Contact-rich Manipulation Tasks},
author = {Shahbaz Abdul Khader and Hang Yin and Pietro Falco and Danica Kragic},
journal= {arXiv preprint arXiv:1909.04915},
year = {2020}
}
备注
Accepted at Robotics and Automation Letters