dPMP-深度概率运动规划：以草莓采摘机器人为例
机器人学
2022-08-22 v1
摘要
本文提出了一种从演示中学习（LfD）的深度机器人学习的概率新方法。深度运动基元（DMPs）是一种确定性的 LfD 模型，将视觉信息直接映射到机器人轨迹。本文扩展了 DMPs，提出了一种深度概率模型，将视觉信息映射到有效机器人轨迹的分布。文中给出了达到最高轨迹精度的架构，并与现有方法进行了比较。此外，本文引入了一种用于学习特定领域潜在特征的新训练方法。我们在实验室草莓采摘真实机器人任务中展示了所提出的概率方法和新型潜在空间学习的优越性。实验结果表明，潜在空间学习能显著提升模型预测性能。所提方法允许从分布中采样轨迹，并优化机器人轨迹以满足次要目标，例如避碰。
引用
@article{arxiv.2208.09074,
title = {dPMP-Deep Probabilistic Motion Planning: A use case in Strawberry Picking Robot},
author = {Alessandra Tafuro and Bappaditya Debnath and Andrea M. Zanchettin and Amir Ghalamzan E},
journal= {arXiv preprint arXiv:2208.09074},
year = {2022}
}
备注
To appear In IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2022