通过局部轨迹调制实现可泛化技能的交互式增量学习
机器学习
2025-03-05 v3 人工智能
机器人学
摘要
演示学习 (LfD) 中的泛化问题多年来一直受到相当多的关注，特别是在运动基元的背景下，已经出现了许多方法。最近，两种重要的方法获得了认可。一种利用途经点通过调制演示轨迹来局部地适应技能，另一种则依赖于所谓的任务参数化模型，该模型相对于不同的坐标系对运动进行编码，并使用概率的乘积进行泛化。前者非常适合精确的局部调制，而后者旨在在任务空间的大区域上进行泛化，并且通常涉及多个物体。同时利用这两种方法来提高泛化质量的研究很少受到关注。在这项工作中，我们提出了一个交互式模仿学习框架，该框架同时利用轨迹分布的局部和全局调制。基于核化运动基元 (KMP) 框架，我们引入了通过直接人类纠正反馈进行技能调制的新机制。我们的方法特别利用了途经点的概念，以增量式和交互式地 1) 局部提高模型精度，2) 在执行过程中向任务添加新物体，以及 3) 将技能扩展到未提供演示的区域。我们使用一个力矩控制的 7 自由度 DLR SARA 机器人，在一个轴承环加载任务上评估了我们的方法。
引用
@article{arxiv.2409.05655,
title = {Interactive incremental learning of generalizable skills with local trajectory modulation},
author = {Markus Knauer and Alin Albu-Schäffer and Freek Stulp and João Silvério},
journal= {arXiv preprint arXiv:2409.05655},
year = {2025}
}
备注
Accepted at IEEE Robotics and Automation Letters (RA-L), 16 pages, 19 figures, 6 tables. See https://github.com/DLR-RM/interactive-incremental-learning for further information and video