EKMP：具有自适应、非线性硬约束与避障的通用模仿学习
机器人学
2021-03-15 v2
摘要
作为用户友好且直接的机器人轨迹生成方案，模仿学习被视为机器人技能学习中的重要方向。与忽略环境与机器人运动学/动力学可能引发的内部与外部约束的无约束模仿学习不同，近期关于约束模仿学习的工作允许将人类技能迁移至非结构化场景，进一步扩大了模仿学的应用领域。尽管已研究多种约束（如关节极限、避障与平面约束），非线性硬约束问题尚未得到很好解决。本文提出扩展核化运动基元（EKMP）以应对模仿学习中的多数关键问题，包括非线性硬约束。具体而言，EKMP 能够学习多演示的概率特征，依据关节位置与速度的任意期望点自适应所学技能，在机器人连杆层面避障，并满足任意线性与非线性、等式与不等式硬约束。此外，讨论了 EKMP 与前沿运动规划方法间的联系。我们提供了若干评估，包括 7 自由度机械臂的关节轨迹规划，以验证框架有效性。
引用
@article{arxiv.2103.00452,
title = {EKMP: Generalized Imitation Learning with Adaptation, Nonlinear Hard Constraints and Obstacle Avoidance},
author = {Yanlong Huang},
journal= {arXiv preprint arXiv:2103.00452},
year = {2021}
}
备注
8 pages