利用坐标系加权轨迹生成改进任务参数化运动学习的泛化能力

示范学习依赖于机器人学习者将其学习到的模型泛化到未见过的条件，因为对于一个人来说，提供一个涵盖非平凡任务中所有可能变化的示范集是不可行的。虽然有许多学习方法能够有效处理观测数据的插值，但从观测数据进行外推则面临更大的挑战。为了解决这一泛化问题，本文提出了一种改进的任务参数化高斯混合回归方法，该方法在轨迹生成过程中考虑了任务参数的相关性，该相关性由数据中的方差确定。首先使用一个模拟的抓取任务数据集来探索所提方法的优点。结果表明，所提方法提供了具有深远、低误差的外推能力，在本质上不同于现有的学习方法。随后考虑了从新手用户那里收集的真实世界操作任务数据，结果表明，所提方法能够将抓取性能误差有效降低约 ${\sim30\%}$，并在真实世界条件下外推到未见过的抓取目标。这些结果表明，所提方法通过减少对用户提供高质量示范数据集的依赖，能够使新手用户受益。