学会在边缘上生活：用于数据高效触觉轮廓跟随的在线学习
机器人学
2020-08-13 v2
摘要
触觉传感已被用于多种机器人探索与操作任务，但一个常见限制是需要大量训练数据。本文通过提出一种基于高斯过程潜变量模型（GP-LVM）的在线学习新方法来解决数据效率问题，机器人由此在执行轮廓跟随任务时从触觉数据中学习，从而能够对多种触觉刺激进行泛化。结果表明，轮廓跟随以相对少量的数据即可成功完成，并且对新颖刺激具有鲁棒性。本工作强调，即使采用简单的学习架构，通过在触觉传感任务中使用潜变量模型和在线学习，也能在高效且鲁棒的任务表现上获得显著优势。这为新一代鲁棒、快速且数据高效的触觉系统铺平了道路。
引用
@article{arxiv.1909.05808,
title = {Learning to Live Life on the Edge: Online Learning for Data-Efficient Tactile Contour Following},
author = {Elizabeth A. Stone and Nathan F. Lepora and David A. W. Barton},
journal= {arXiv preprint arXiv:1909.05808},
year = {2020}
}
备注
To be published in IROS 2020