结合用户先验学习基于技能的工业机器人任务

机器人技能系统旨在减少新制造任务的机器人设置时间。然而，对于灵巧的、富含接触的任务，往往难以找到合适的技能参数。一种策略是通过允许机器人系统在任务上直接学习来学习这些参数。对于一个学习问题，机器人操作员通常可以指定参数的类型和取值范围。尽管如此，鉴于其先前的经验，机器人操作员应当能够通过提供关于参数空间中潜在最优解可能位置的合理猜测，来进一步帮助学习过程。有趣的是，此类先验知识在当前机器人学习框架中并未得到利用。我们引入一种结合用户先验与贝叶斯优化的方法，以在机器人部署时实现对工业机器人任务的快速优化。我们在仿真中学习的三个任务以及直接在真实机器人系统上学习的两个任务上评估了我们的方法。此外，我们通过从性能良好的配置中自动构建先验，将相应仿真任务的知识迁移到真实系统的学习中。为处理可能冲突的任务目标，这些任务被建模为多目标问题。我们的结果表明，无论是用户指定还是迁移而来的操作员先验，都极大地加速了丰富 Pareto 前沿的发现，并且通常产生远优于所提出基线的最终性能。