利用任务参数化方程学习器网络学习与外推机器人技能
机器人学
2022-12-19 v1
摘要
模仿学习方法在训练数据范围内可实现良好泛化，但在该范围外查询时往往产生不可预测的运动。我们提出一种具有增强外推能力的模仿学习新方法，其利用了所谓的方程学习器网络（EQLN）。与传统方法不同，EQLN 使用监督学习拟合一组解析表达式，从而允许其在训练数据范围之外进行外推。我们用一组表示各运动空间特性的任务相关参数扩充任务演示，并用其训练 EQLN。运行时，这些特征用于查询任务参数化方程学习器网络（TP-EQLN）并生成相应机器人轨迹。该组特征编码了任务的运动学约束，如期望高度或需到达的终点。我们在操作任务上验证了方法结果，其中在外推域保持运动形状至关重要。我们的方法还在仿真与真实设置中与现有最先进方法进行比较。实验结果表明，TP-EQLN 即使在外推域也能遵从特征参数中编码的轨迹约束，同时保持演示所提供的轨迹整体形状。
引用
@article{arxiv.2212.08531,
title = {Learning and Extrapolation of Robotic Skills using Task-Parameterized Equation Learner Networks},
author = {Hector Villeda and Justus Piater and Matteo Saveriano},
journal= {arXiv preprint arXiv:2212.08531},
year = {2022}
}