针对时序逻辑约束优化示教机器人操作技能
机器人学
2022-09-08 v1
摘要
在执行机器人操作任务时，核心问题在于确定满足任务要求的合适轨迹。计算此类轨迹的方法多种多样，其中学习与优化是主要驱动技术。我们的工作建立在示教学习（LfD）范式之上，即由专家演示运动，机器人学习模仿它们。然而，专家演示不足以捕获所有类型的任务规范，例如抓取物体的时机。在本文中，我们提出一种新方法，在 LfD 技能中考虑形式化任务规范。具体而言，我们利用信号时序逻辑（STL，一种表达系统时序属性的形式）来表述任务规范，并使用黑盒优化（BBO）相应地调整 LfD 技能。我们在仿真和真实工业环境中使用若干任务展示了我们的方法，这些任务说明了我们的方法如何利用 STL 和 BBO 解决 LfD 的局限性。
引用
@article{arxiv.2209.03001,
title = {Optimizing Demonstrated Robot Manipulation Skills for Temporal Logic Constraints},
author = {Akshay Dhonthi and Philipp Schillinger and Leonel Rozo and Daniele Nardi},
journal= {arXiv preprint arXiv:2209.03001},
year = {2022}
}
备注
8 Pages, 11 Figures. Accepted at the 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2022)