学习使行为树与运动生成器（BTMG）参数适应任务变化
机器人学
2023-09-15 v2
摘要
学习新任务并快速适应不同变化或维度是敏捷机器人技术的一个重要属性。在我们之前的工作中，我们探索了行为树与运动生成器（BTMG）作为机器人臂策略表示，以促进装配任务的学习与执行。针对特定任务的 BTMG 当前实现可能对环境变化不够鲁棒，且可能无法很好地泛化到任务的不同变体。我们提出用一个预测新任务变体下 BTMG 参数的模块来扩展 BTMG 策略表示。为此，我们提出一个结合高斯过程与加权支持向量机分类器的模型。该模型以 BTMG 参数和任务变化为输入，预测所预测策略的性能度量与可行性。利用模型的输出，我们进而构造一个代理奖励函数，该函数被用于优化器内，以针对固定任务变体在 BTMG 参数上最大化任务性能。为证明所提方法的有效性，我们在仿真中使用真实 KUKA iiwa 机器人对推任务和避障任务进行了实验评估。此外，我们将本方法与四种基线方法进行了性能比较。
引用
@article{arxiv.2303.08209,
title = {Learning to Adapt the Parameters of Behavior Trees and Motion Generators (BTMGs) to Task Variations},
author = {Faseeh Ahmad and Matthias Mayr and Volker Krueger},
journal= {arXiv preprint arXiv:2303.08209},
year = {2023}
}