Prim-LAfD：从演示中学习并适配基于基元的插入技能的框架
机器人学
2022-12-05 v1
摘要
以数据高效的方式学习可泛化的插入技能一直是机器人学习领域的长期挑战。尽管当前基于强化学习（RL）的最优方法在获取操作技能方面展现出良好前景，但这些算法数据需求大且难以泛化。为克服这些问题，本文提出 Prim-LAfD，一个简单而有效的从演示中学习并适配基于基元的插入技能的框架。Prim-LAfD 利用黑盒函数优化，借助先验经验学习与适配基元参数。人类演示被建模为引导参数学习的稠密奖励。我们在八个 peg-hole 与 connector-socket 插入任务上验证了所提方法的有效性。实验结果表明，我们提出的框架在实体机器人上花费不到一小时即可习得插入技能，且适配未见过的插入任务最快仅需十五分钟。
引用
@article{arxiv.2212.00955,
title = {Prim-LAfD: A Framework to Learn and Adapt Primitive-Based Skills from Demonstrations for Insertion Tasks},
author = {Zheng Wu and Wenzhao Lian and Changhao Wang and Mengxi Li and Stefan Schaal and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:2212.00955},
year = {2022}
}
备注
6 pages, 4 figures