基于双边控制的模仿学习结合自回归学习的运动生成
机器人学
2021-02-05 v5 机器学习
摘要
能够代表人类自动执行各类任务的机器人在机器人学领域正成为日益重要的研究焦点。模仿学习作为一种高效且高性能的方法已被研究，而基于双边控制的模仿学习作为一种可实现快速运动的方法被提出。然而，由于该方法无法实现自回归学习，其可能无法生成理想的长时行为。因此，本文提出一种用于基于双边控制的模仿学习的自回归学习方法。提出了一种实现自回归学习的新型神经网络模型。本研究通过三类实验验证所提方法的有效性。相较于传统方法性能有所提升；所提方法具有最高的成功率。得益于所提模型的结构与自回归学习，该方法能够生成完成任务所需的理想运动，并对环境变化具备较高的泛化能力。
引用
@article{arxiv.2011.06192,
title = {Motion Generation Using Bilateral Control-Based Imitation Learning with Autoregressive Learning},
author = {Ayumu Sasagawa and Sho Sakaino and Toshiaki Tsuji},
journal= {arXiv preprint arXiv:2011.06192},
year = {2021}
}
备注
Copyright 2021 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works