使用LSTM和MDN从虚拟演示到真实操作
机器人学
2017-11-23 v4 人工智能
机器学习
摘要
协助残障或老年用户的机器人必须执行复杂的操作任务，且必须适应用户的家庭环境和偏好。从演示中学习是一种有前景的选择，可使非技术用户教导机器人不同任务。然而，在残障用户家庭环境中收集演示耗时、干扰用户舒适且存在安全挑战。在虚拟环境中执行演示是理想的。本文描述了从虚拟演示到物理机器人的行为迁移这一挑战性问题的解决方案。虚拟演示用于训练基于深度神经网络的控制器，该控制器使用长短期记忆（Long Short Term Memory, LSTM）递归神经网络生成轨迹。训练过程使用混合密度网络（Mixture Density Network, MDN）计算适用于演示多模态性质的误差信号。在虚拟环境中学习的控制器被迁移到物理机器人（Rethink Robotics Baxter）。使用现成视觉组件替代仿真中可用的几何知识，并使用逆运动学模块使Baxter执行轨迹。我们的实验研究验证了本文的三个贡献：(1) 从虚拟演示学习的控制器可成功在物理机器人上执行操作任务；(2) LSTM+MDN架构选择优于其他选择，例如使用前馈网络和基于均方误差的训练信号；(3) 在训练集中允许不完美演示也使控制器学会如何纠正其操作错误。
引用
@article{arxiv.1603.03833,
title = {From virtual demonstration to real-world manipulation using LSTM and MDN},
author = {Rouhollah Rahmatizadeh and Pooya Abolghasemi and Aman Behal and Ladislau Bölöni},
journal= {arXiv preprint arXiv:1603.03833},
year = {2017}
}