用于学习不连续运动的深度分段 DMP 网络
机器人学
2023-09-04 v1
摘要
不连续运动是由多个连续运动组成、其间在方向或速度上发生突变的运动，可见于状态感知的机器人任务中。此类机器人任务常与图像等传感器信息相协调。近年来，动态运动基元（Dynamic Movement Primitives, DMP）作为一种适用于机器人运动行为生成的方法，已获得若干基于深度学习的改进，以建立传感器信息与 DMP 参数之间的关联。尽管深度学习框架的实现确实改善了 DMP 无法直接关联输入的缺陷，但我们发现其难以学习复杂运动所需的、需大量基函数重构的 DMP 参数。本文提出一种称为深度分段 DMP 网络（Deep Segmented DMP Network, DSDNet）的新型深度学习网络架构，它通过组合多个 DMP 参数预测网络架构、双阶段解码器网络以及段数预测器来生成变长分段运动。所提方法在人工数据（物体切割与拾放）和真实数据（物体切割）上进行了评估，在生成不连续长程运动方面，相比先前方法取得了更高的泛化能力、任务完成度与数据效率。
引用
@article{arxiv.2309.00320,
title = {Deep Segmented DMP Networks for Learning Discontinuous Motions},
author = {Edgar Anarossi and Hirotaka Tahara and Naoto Komeno and Takamitsu Matsubara},
journal= {arXiv preprint arXiv:2309.00320},
year = {2023}
}
备注
7 pages, Accepted by the 2023 International Conference on Automation Science and Engineering (CASE 2023)