用于从示范中可扩展机会约束运动规划的高斯过程约束学习
机器人学
2022-03-02 v2 机器学习
系统与控制
系统与控制
摘要
我们提出了一种从局部最优示范中学习以高斯过程表示的约束的方法。我们的方法利用 Karush-Kuhn-Tucker (KKT) 最优性条件来确定约束在示范中何处是紧致的，以及在这些状态处约束梯度的缩放。然后，我们训练一个与该信息一致并对其进行泛化的约束的高斯过程表示。我们进一步表明，高斯过程的不确定性可以在运动动力学 RRT 中用于规划概率安全轨迹，并且我们可以在规划器内利用高斯过程结构来精确实现指定的安全概率。我们证明，我们的方法能够学习在 5D 非完整汽车、12D 四旋翼和 3 连杆平面臂上示范的复杂非线性约束，且所有这些仅需极少的约束先验信息。我们的结果表明，学习到的高斯过程约束是准确的，优于需要更多先验知识的现有约束学习方法。
引用
@article{arxiv.2112.04612,
title = {Gaussian Process Constraint Learning for Scalable Chance-Constrained Motion Planning from Demonstrations},
author = {Glen Chou and Hao Wang and Dmitry Berenson},
journal= {arXiv preprint arXiv:2112.04612},
year = {2022}
}
备注
Extended paper; abridged version accepted to the IEEE Robotics and Automation Letters (with presentation at ICRA 2022)