基于少量真实演示的机器人操作神经任务成功分类器
机器人学
2021-07-05 v1 人工智能
机器学习
摘要
在不同工作空间中，机器人从少量演示中学习新操作任务的需求日益增长。评估动作质量的分类器模型可预测任务的成功完成，智能体可利用其进行动作选择。本文提出一种新颖的分类器，仅从少量演示中学习分类任务完成与否。我们对不同的神经分类器进行了全面比较，例如基于全连接的、基于全卷积的、基于序列到序列的以及基于域适应的分类。我们还提出了一个包含五项机器人操作任务的新数据集，该数据集已公开可用。我们使用我们的数据集和MIME数据集比较了新分类器与现有模型的性能。结果表明，域适应和基于时序的特征改善了成功预测。我们的新模型，即带有域适应和时序特征的全卷积神经网络，在两个数据集的所有任务中分别达到平均分类准确率97.3%和95.5%，而无需域适应和时序特征的现有最优分类器分别仅达到82.4%和90.3%。
引用
@article{arxiv.2107.00722,
title = {Neural Task Success Classifiers for Robotic Manipulation from Few Real Demonstrations},
author = {Abdalkarim Mohtasib and Amir Ghalamzan E. and Nicola Bellotto and Heriberto Cuayáhuitl},
journal= {arXiv preprint arXiv:2107.00722},
year = {2021}
}
备注
8 pages