通过关键点参数化和运输图实现通用运动策略
机器人学
2025-08-01 v2
摘要
从交互演示学习已彻底改变非专家人类教导机器人的方法。只需通过动力学方式移动机器人即可教会抓取、穿衣或清洁等策略。然而，主要挑战在于正确地泛化到新情境，例如不同的清洁表面或不同的机械臂姿态。本文提出一种新颖的任务参数化和泛化方法，用于传输原始机器人策略，即位置、速度、姿态和刚度。与最新技术不同，仅跟踪演示和执行期间的一组关键点，例如用于清洁的点云。我们随后拟合一种非线性变换以变形空间和原始策略，同时使用配对的源点集和目标点集。采用函数逼近器如高斯过程(Gaussian Processes)可实现从每个空间位置传输策略，以估计由于有限任务关键点和演示次数减少导致的策略不确定性。我们比较了算法性能与最新任务参数化替代方案，并分析不同函数逼近器的影响。我们还在机器人操纵任务上验证了该算法，即不同的机械臂穿衣姿态、不同的产品搬放位置以及不同的形状清洁表面。
引用
@article{arxiv.2404.13458,
title = {Generalizable Motion Policies through Keypoint Parameterization and Transportation Maps},
author = {Giovanni Franzese and Ravi Prakash and Cosimo Della Santina and Jens Kober},
journal= {arXiv preprint arXiv:2404.13458},
year = {2025}
}
备注
This article was accepted at IEEE Transactions on Robotics (T-RO)