集成无监督轨迹分割与条件ProMPs以提升机器人适应性
机器人学
2024-05-01 v1 系统与控制
系统与控制
摘要
我们提出了一种新框架，用于增强机器人的适应性和学习效率，该框架将无监督轨迹分割与自适应概率运动原语（ProMPs）集成。通过采用一种前沿深度学习架构，将自编码器和循环神经网络（RNN）结合，我们的方法能够自主确定连续无标记运动数据中的关键转换点，从而显著减少对广泛标记数据集的依赖。这种创新方法利用条件变量动态调整运动轨迹，在动态条件下显著提高了机器人动作的灵活性和准确性，同时降低了传统机器人编程方法所需的计算开销。我们的实验验证表明，与现有技术相比，本方法在学习效率和适应性方面具有优势，为工业和服务机器人领域的高级应用铺平了道路。
引用
@article{arxiv.2404.19412,
title = {Enhancing Robotic Adaptability: Integrating Unsupervised Trajectory Segmentation and Conditional ProMPs for Dynamic Learning Environments},
author = {Tianci Gao},
journal= {arXiv preprint arXiv:2404.19412},
year = {2024}
}