具有贝叶斯聚合器的深度概率运动基元
机器人学
2024-06-07 v3 机器学习
摘要
运动基元是可训练的参量模型，能从有限的示教集中复现机器人运动。已有工作提出了简单的线性模型，通过允许运动的时间调制（更快或更慢地复现运动）、混合（将两种运动合并为一种）、途经点条件化（约束运动以满足某些特定途经点）以及上下文条件化（基于观测变量如物体位置生成运动），展现出高样本效率与泛化能力。已有研究提出基于神经网络的运动基元模型，证明了其执行带有某些输入条件化或时间调制表示任务的能力。然而，尚未提出一种统一的深度运动基元模型能同时支持上述所有操作，限制了神经运动基元的潜在应用。本文提出一种深度运动基元架构，编码了上述所有操作，并采用贝叶斯上下文聚合器以实现更合理的上下文条件化与混合。我们的结果表明，与基线相比，该方法可扩展到在更多样输入选择下复现复杂运动，同时保持线性运动基元所提供的各项操作。
引用
@article{arxiv.2307.05141,
title = {Deep Probabilistic Movement Primitives with a Bayesian Aggregator},
author = {Michael Przystupa and Faezeh Haghverd and Martin Jagersand and Samuele Tosatto},
journal= {arXiv preprint arXiv:2307.05141},
year = {2024}
}