在黎曼流形上学习深度机器人技能
机器人学
2023-09-27 v1
摘要
本文提出RiemannianFlow，一种深度生成模型，使机器人能够学习在黎曼流形上演化的复杂且稳定的技能。机器人学中的黎曼数据示例包括刚度（对称正定矩阵（SPD））和姿态（单位四元数（UQ））轨迹。对于黎曼数据，与欧几里得数据不同，不同维度通过几何约束相互关联，在学习过程中必须妥善考虑这些约束。我们的方法利用保距映射，在数据的原始流形与切空间之间传递数据，实现几何约束的解除与重新满足。这使得现有框架得以扩展，能从黎曼数据中学习稳定技能，同时保证学习结果的稳定性。RiemannianFlow学习各种数据模式的能力以及所学模型的稳定性，在一个流形运动数据集上得到了实验证明。此外，我们从不同角度分析了模型在不同超参数组合下的鲁棒性。结果表明，模型的稳定性不受不同超参数的影响，而适当的超参数组合可使模型精度显著提升（最高达27.6%）。最后，我们展示了RiemannianFlow在一个真实的轴孔装配（peg-in-hole, PiH）任务中的有效性，该任务需要为从不同初始位姿出发的机器人，生成稳定且一致的位置和姿态轨迹。
引用
@article{arxiv.2210.15244,
title = {Learning Deep Robotic Skills on Riemannian manifolds},
author = {Weitao Wang and Matteo Saveriano and Fares J. Abu-Dakka},
journal= {arXiv preprint arXiv:2210.15244},
year = {2023}
}