用于受约束运动中可微运动流形原语的感知动力学

在高维系统上受约束的实时运动生成——这对于实现具有响应性和适应性行为至关重要——是一个至关重要却又具有挑战性的问题。我们采用两种方法：离线学习任务相关且满足约束的轨迹的低维轨迹流形，随后在该流形中进行快速在线搜索。扩展离散时间运动流形原语（MMP）框架，我们提出了可微运动流形原语（DMMP），一种新的神经网络架构，用于编码和生成连续时间、可微轨迹，通过离线收集的轨迹优化数据进行训练，并采用一种确保约束满足的策略——现有方法中不存在。实验在具有 7 自由度的机器人臂进行动态投掷中表明，DMMP 在规划速度、任务成功率和约束满足方面均优于先前方法。