深度可供性前瞻：通过未来可执行动作进行规划

Danfei Xu; Ajay Mandlekar; Roberto Martín-Martín; Yuke Zhu; Silvio Savarese; Li Fei-Fei

深度可供性前瞻：通过未来可执行动作进行规划

机器人学 2021-06-24 v2

作者: Danfei Xu , Ajay Mandlekar , Roberto Martín-Martín , Yuke Zhu , Silvio Savarese , Li Fei-Fei

摘要

在真实环境中进行规划需要在庞大的规划空间中搜索。可供性(affordance)是简化该搜索的有力概念，因为它对给定情况下哪些动作能够成功进行建模。然而，经典的可供性概念不适用于长时域规划，因为它仅告知机器人动作的即时结果，而非哪些动作最有利于实现长期目标。本文引入一种新的可供性表示，使机器人能够通过建模未来可供执行的动作来推理动作的长期效应，从而告知机器人下一步应采取的最佳动作以实现任务目标。基于该新表示，我们提出了一种学习规划方法——深度可供性前瞻(Deep Affordance Foresight, DAF)，它通过试错学习参数化运动技能可供性的部分环境模型。我们在两个具有挑战性的操作领域上评估了DAF，结果表明它能有效学习执行多步任务、在不同任务间共享学到的可供性表示，并学会利用高维图像输入进行规划。补充材料见 https://sites.google.com/stanford.edu/daf

关键词

可供性表示长时域规划学习规划深度可供性前瞻运动技能操作图像输入

引用

@article{arxiv.2011.08424,
  title  = {Deep Affordance Foresight: Planning Through What Can Be Done in the Future},
  author = {Danfei Xu and Ajay Mandlekar and Roberto Martín-Martín and Yuke Zhu and Silvio Savarese and Li Fei-Fei},
  journal= {arXiv preprint arXiv:2011.08424},
  year   = {2021}
}

备注

ICRA 2021

深度可供性前瞻：通过未来可执行动作进行规划

摘要

关键词

引用

备注

相关论文