ProDMPs:动态与概率运动基元的统一视角
机器人学
2022-10-05 v1 机器学习
摘要
运动基元(MPs)是表示和生成模块化轨迹的知名概念。MPs可大致分为两类:(a)基于动力学的方法,从任意初始状态生成平滑轨迹,例如动态运动基元(DMPs);(b)概率方法,捕获运动的高阶统计特性,例如概率运动基元(ProMPs)。然而,迄今为止尚无统一二者的方法,即既能从任意初始状态生成平滑轨迹,又能捕获高阶统计特性。本文通过求解DMPs背后的常微分方程,引入了这两种方法的统一视角。我们将DMPs昂贵的在线数值积分转换为可离线计算的基函数。这些基函数可用于表示轨迹或轨迹分布,类似于ProMPs,同时保持动力系统的所有性质。由于我们继承了两种方法的特性,我们将所提模型称为概率动态运动基元(ProDMPs)。此外,我们将ProDMPs嵌入深度神经网络架构,并提出了一种新的代价函数,用于高阶轨迹统计的高效端到端学习。为此,我们利用贝叶斯聚合对感官输入进行非线性迭代条件化。我们提出的模型在一个框架中实现了平滑轨迹生成、目标吸引子收敛、相关性分析、非线性条件化和在线重规划。
引用
@article{arxiv.2210.01531,
title = {ProDMPs: A Unified Perspective on Dynamic and Probabilistic Movement Primitives},
author = {Ge Li and Zeqi Jin and Michael Volpp and Fabian Otto and Rudolf Lioutikov and Gerhard Neumann},
journal= {arXiv preprint arXiv:2210.01531},
year = {2022}
}
备注
12 pages, 13 figures