基于生成对抗网络学习机器人构型的约束分布
机器人学
2021-03-02 v2 机器学习
摘要
在高维机器人系统中，有效构型空间的流形通常具有复杂形状，尤其在末端执行器姿态或静态稳定性等约束下。我们提出一种生成对抗网络方法来学习此类约束下有效机器人构型的分布。它能生成接近约束流形的构型。我们给出了该方法的两种应用。首先，通过学习关于期望末端执行器位置的条件分布，我们可实现快速逆运动学，即便对于非常高自由度（DoF）的系统也是如此。然后，我们将其用于在基于采样的约束运动规划算法中生成样本，以减少必要的投影步骤，从而加速计算。我们使用7自由度Panda机械臂和28自由度人形机器人Talos在仿真中验证了该方法。
引用
@article{arxiv.2011.05717,
title = {Learning Constrained Distributions of Robot Configurations with Generative Adversarial Network},
author = {Teguh Santoso Lembono and Emmanuel Pignat and Julius Jankowski and Sylvain Calinon},
journal= {arXiv preprint arXiv:2011.05717},
year = {2021}
}