基于贝叶斯推断与多目标黑盒优化的目标图像条件动态线缆操纵
机器人学
2023-01-30 v1
摘要
为实现由目标图像指定的构型进行动态线缆操纵，我们将动态线缆操纵建模为随机前向模型。随后，我们提出一种通过最大化期望来处理不确定性的方法，该方法同时考虑了训练模型的估计误差。为避免基于梯度的方法所面临的多重局部极小和可微性要求等问题，我们提出使用黑盒优化(BBO)来优化关节角以实现目标图像。在BBO中，我们使用树状结构帕森估计器(TPE)，一种贝叶斯优化方法。通过将约束纳入TPE，优化后的关节角被限制在运动范围内。由于TPE是基于种群的，它能更好地利用估计的逆模型检测出多种可行构型。我们使用最优传输距离评估了通过执行机器人捕获的目标图像与线缆图像之间的图像相似度。结果表明，与传统的基于梯度的方法以及使用不考虑确定性的确定性模型的方法相比，所提方法提高了精度。
引用
@article{arxiv.2301.11538,
title = {Goal-Image Conditioned Dynamic Cable Manipulation through Bayesian Inference and Multi-Objective Black-Box Optimization},
author = {Kuniyuki Takahashi and Tadahiro Taniguchi},
journal= {arXiv preprint arXiv:2301.11538},
year = {2023}
}
备注
7 pages. Accepted at ICRA2023. An accompanying video is available at the following link: https://youtu.be/AMDTJRNEbek