基于动态运动基元增强柔顺性的人机技能迁移
机器人学
2023-04-13 v1 人工智能
摘要
寻找一种有效的方式来调整机器人轨迹是提高机器人整体性能的优先事项。轨迹规划的一种途径是通过示教学习(LfD)将类人技能迁移给机器人。人类演示被视为要模仿的目标运动。然而，由于人体生物力学与机器人动力学之间的差异，人类运动通常对人类自身是最优的，对机器人则并非如此。动态运动基元(DMP)框架是应对 LfD 这一局限的可行方案，但它需要对公式中的二阶动力学进行调参。我们的贡献是引入一种系统方法，从人类演示中提取动态特征以自动调整 DMP 框架中的参数。除与 LfD 配合使用外，所提方法的另一用途是可轻易与强化学习(RL)结合用于机器人训练。如此，提取的特征通过使机器人更高效地探索可能轨迹并显著提高机器人柔顺性，促进了人类技能的迁移。我们提出了一种基于参数空间中类人度和相似性优化、从多条轨迹提取动态特征的方法论。我们的方法被部署于实际人机系统以提取人类动态特征，并用于遵循 LfD 和带 DMP 的 RL 重新生成机器人轨迹。其实现了机器人的稳定表现，基于累积距离误差保持了与最佳启发式调参相当的高类人度。
引用
@article{arxiv.2304.05703,
title = {Human-Robot Skill Transfer with Enhanced Compliance via Dynamic Movement Primitives},
author = {Jayden Hong and Zengjie Zhang and Amir M. Soufi Enayati and Homayoun Najjaran},
journal= {arXiv preprint arXiv:2304.05703},
year = {2023}
}