LeTO: 通过可微轨迹优化学习约束视觉运动策略
机器人学
2024-10-25 v3 人工智能
摘要
本文介绍了 LeTO，一种通过可微轨迹优化学习约束视觉运动策略的方法。我们的方法将可微优化层集成到神经网络中。通过将该优化层形式化为一个轨迹优化问题，我们使模型能够以安全且受约束控制的方式端到端地生成动作，无需额外模块。我们的方法允许在训练过程中引入约束信息，从而平衡满足约束、平滑轨迹以及最小化与演示之间的误差等训练目标。这种“灰盒”方法将基于优化的安全性和可解释性与神经网络强大的表示能力相结合。我们在仿真和真实机器人上对 LeTO 进行了定量评估。结果表明，LeTO 在仿真和现实世界任务中均表现良好。此外，与现有的模仿学习方法相比，它能够生成不确定性更低、质量更高且更平滑的轨迹。因此，这表明 LeTO 为实现神经网络与轨迹优化的集成提供了一个实用的范例。我们在 https://github.com/ZhengtongXu/LeTO 发布了代码。
引用
@article{arxiv.2401.17500,
title = {LeTO: Learning Constrained Visuomotor Policy with Differentiable Trajectory Optimization},
author = {Zhengtong Xu and Yu She},
journal= {arXiv preprint arXiv:2401.17500},
year = {2024}
}