用于测地运动技能的黎曼流形学习
机器人学
2021-07-02 v2 人工智能
机器学习
摘要
为了让机器人与人并肩工作并在非结构化环境中执行任务,它们必须学习新的运动技能,并能够即时将其适应到未见过的情形。这要求学习模型能够捕捉相关的运动模式,同时具备足够的灵活性以将所编码的技能适配到诸如动态避障等新需求。我们针对该问题引入了黎曼流形视角,并提出从人类演示中学习一个黎曼流形,使其上的测地线即为自然的运动技能。我们通过作用于机器人末端执行器位姿与朝向空间上的变分自编码器(VAE)来实现这一点。测地运动技能使机器人能够规划从数据流形上任意点到任意点的运动。它们还提供了一种通过在线重定义外围度量来规避障碍的简单方法。此外,测地线自然地利用由多模态任务所得的流形,设计出先前未显式演示过的运动。我们使用一个 7 自由度机械臂测试了我们的学习框架,该机器人令人满意地学习并复现了具有精细运动模式的真实技能,规避了此前未见的障碍,并在多模态设定下生成了新颖运动。
引用
@article{arxiv.2106.04315,
title = {Learning Riemannian Manifolds for Geodesic Motion Skills},
author = {Hadi Beik-Mohammadi and Søren Hauberg and Georgios Arvanitidis and Gerhard Neumann and Leonel Rozo},
journal= {arXiv preprint arXiv:2106.04315},
year = {2021}
}