从人类演示中学习周期性任务
机器人学
2022-05-23 v2
摘要
我们开发了一种从视觉演示中学习周期性任务的方法。核心思想是利用策略结构中的周期性来对任务的周期性方面进行建模。我们使用主动学习来优化节奏性动态运动基元 的参数，并提出一个目标函数，以最大化机器人操纵的物体运动与人类视频演示中期望运动之间的相似性。我们考虑了具有可变形物体和颗粒物质的任务，这些物体的状态难以表示和跟踪：用布擦拭表面、缠绕电缆/电线以及用勺子搅拌颗粒物质。我们的方法不需要跟踪标记或手动注释。初始训练数据由机器人和人类与物体随机非配对交互的 10 分钟视频组成。我们使用这些数据进行关键点模型的无监督学习，以获得与任务无关的视觉对应关系。然后，我们使用 Bayesian 优化在少数机器人试验中根据单个人类视频演示优化 rDMPs。我们提出了仿真和硬件实验来验证我们的方法。
引用
@article{arxiv.2109.14078,
title = {Learning Periodic Tasks from Human Demonstrations},
author = {Jingyun Yang and Junwu Zhang and Connor Settle and Akshara Rai and Rika Antonova and Jeannette Bohg},
journal= {arXiv preprint arXiv:2109.14078},
year = {2022}
}
备注
Accepted to ICRA 2022. Project page: https://bit.ly/viptl_icra22