面向多模型规划的学习模型前置条件
机器人学
2022-06-14 v1
摘要
当机器人进行规划时,不同模型可提供不同保真度。解析模型通常评估迅速,但仅在有限条件范围内有效。与此同时,物理仿真器能有效建模物体间的复杂交互,但通常计算开销更大。学习何时在各模型间切换可大幅提升规划速度与任务成功可靠性。在本工作中,我们学习模型偏差估计器(MDEs)以预测真实世界状态与转移模型输出状态之间的误差。MDEs可用于定义描述哪些转移被精确建模的模型前置条件。我们随后提出一种规划器,利用学习到的模型前置条件在各种模型间切换,从而在模型精确的条件下使用它们,并尽可能优先使用更快的模型。我们在两项真实世界任务上评估了我们的方法:将杆放入盒子以及将杆放入关闭的抽屉。
引用
@article{arxiv.2206.05573,
title = {Learning Model Preconditions for Planning with Multiple Models},
author = {Alex LaGrassa and Oliver Kroemer},
journal= {arXiv preprint arXiv:2206.05573},
year = {2022}
}
备注
Presented at Conference on Robot Learning (CoRL 2021). Revised for clarity