PRIMP：用于从演示中高效学习可供性概率知情运动基元
机器人学
2023-05-26 v1
摘要
本文提出一种利用机器人机械臂工作空间上的概率密度进行示教学习的方法。该方法名为“概率知情运动基元（PRIMP）”，学习末端执行器在包含位置和朝向的6D工作空间中轨迹的概率分布。它能够适应新情况，如带有不确定性的新途经位姿以及视帧的改变。该方法本身与机器人无关，学到的分布可通过适应另一机器人的工作空间密度而迁移至该机器人。随后，所学轨迹分布用于引导基于优化的运动规划算法，进一步帮助机器人避开演示过程中未见过的新障碍物。所提方法通过多组基准实验进行评估。PRIMP运行速度超过5倍，同时将轨迹泛化到距演示和新目标位姿两倍以上的接近程度。随后将其与我们的机器人想象方法（学习物体可供性）结合，通过物理实验说明了PRIMP学习工具使用的适用性。
引用
@article{arxiv.2305.15761,
title = {PRIMP: PRobabilistically-Informed Motion Primitives for Efficient Affordance Learning from Demonstration},
author = {Sipu Ruan and Weixiao Liu and Xiaoli Wang and Xin Meng and Gregory S. Chirikjian},
journal= {arXiv preprint arXiv:2305.15761},
year = {2023}
}
备注
17 pages, 19 figures