基于随机线性投影的潜空间坐标初始化用于机器人感觉-运动序列学习
机器学习
2022-03-01 v1 机器人学
摘要
机器人运动学数据尽管是高维过程，却具有高度相关性，尤其在考虑按特定基元分组运动时。这些基元内近乎线性的相关性使我们能够将运动解释为在全运动空间中接近低维线性子空间并集的点。受嵌入理论（特别是 Whitney 嵌入定理的推广）结果启发，我们表明将运动序列随机线性投影到低维空间会极少损失运动学数据结构的信息。投影点是对机器人感觉-运动行为基元生成模型中潜变量值的极佳初始猜测。我们进行了一系列实验，训练循环神经网络为具有 9 自由度的机械臂生成感觉-运动序列。实验结果表明，与使用零或随机值初始化潜变量相比，以运动数据随机线性投影初始化潜变量在未见样本上的泛化能力有显著提升。此外，潜空间结构良好，不同基元的样本从训练过程一开始便彼此分离。
引用
@article{arxiv.2202.13057,
title = {Initialization of Latent Space Coordinates via Random Linear Projections for Learning Robotic Sensory-Motor Sequences},
author = {Vsevolod Nikulin and Jun Tani},
journal= {arXiv preprint arXiv:2202.13057},
year = {2022}
}
备注
18 pages, 9 figures