学习转移注意力以用于运动生成
机器人学
2021-02-25 v1 人工智能
摘要
利用机器人示教学习技术进行运动生成的一个挑战是，人类示教对单一任务查询遵循多模态分布。以往方法未能捕捉所有模态，或倾向于对示教模态取平均从而生成无效轨迹。另一困难是示教数量少而无法覆盖整个工作空间。为克服该问题，需要具有外推能力的运动生成模型。以往工作将任务查询限制为局部坐标系并在其中学习表示。我们提出一个模型以解决这两个问题。针对多模态，我们建议基于实值非体积保持（RealNVP）变换——其提供一组强大、稳定可逆且可学习的变换——以密度估计方法学习运动轨迹的局部潜表示。为提升外推能力，我们提出在任务执行期间将机器人注意力从一局部坐标系转移至另一局部坐标系。实验中，我们考虑了以往工作亦使用的对接问题，即须生成连接两个对接器且无碰撞的轨迹。我们增加了任务复杂度并表明所提方法优于其他方法。此外，我们在真实机器人实验中评估了该途径。
引用
@article{arxiv.2102.12141,
title = {Learning to Shift Attention for Motion Generation},
author = {You Zhou and Jianfeng Gao and Tamim Asfour},
journal= {arXiv preprint arXiv:2102.12141},
year = {2021}
}