ProDapt：基于长期记忆扩散的机器感适应
机器人学
2025-03-04 v1 机器学习
系统与控制
系统与控制
摘要
扩散模型已在仿真学习中取得进展，使机器人能够复制复杂行为。然而，扩散模型常依赖摄像头等外感传感器观察环境，缺乏长期记忆。在太空、军事和水下应用中，机器人必须对外感传感器故障高度稳健，仅能使用机器感信息完成任务。本文提出 ProDapt 方法，通过在扩散过程中融合机器人与环境之前接触的长期记忆，使其仅能使用机器感数据完成任务。这通过识别“关键点”——essential 以前观察——作为策略输入实现，维护这些关键点。我们使用 UR10e 机器人臂进行仿真和实验，证明了此长期记忆对任务完成至关重要。
引用
@article{arxiv.2503.00193,
title = {ProDapt: Proprioceptive Adaptation using Long-term Memory Diffusion},
author = {Federico Pizarro Bejarano and Bryson Jones and Daniel Pastor Moreno and Joseph Bowkett and Paul G. Backes and Angela P. Schoellig},
journal= {arXiv preprint arXiv:2503.00193},
year = {2025}
}
备注
7 pages, 8 figures. Accepted to IEEE ICRA 2025. Code is publicly available at https://github.com/Federico-PizarroBejarano/prodapt