在学习的黎曼流形上的反应式运动生成
机器人学
2023-08-21 v2 人工智能
机器学习
摘要
近几十年来，运动学习的进展使机器人能够在结构化和非结构化环境中获取新技能并适应未知条件。在实践中，运动学习方法捕捉相关模式并将其调整至新条件，如动态避障或可变目标。本文中，我们从黎曼流形视角研究机器人运动学习范式。我们认为，黎曼流形可通过人类演示学习得到，其中测地线即自然运动技能。测地线使用我们新颖的变分自编码器（VAE）生成的所学黎曼度量来产生，该编码器特别旨在恢复全姿态末端执行器状态与关节空间配置。此外，我们提出一种技术，通过使用障碍感知的环境度量重塑所学流形，以促进即时末端执行器/多肢体避障。使用这些测地线生成的运动可自然产生先前未明确演示的多解任务。我们使用 7-DoF 机械臂在任务空间与关节空间场景中广泛测试了我们的方法。我们证明了我们的方法能够基于人类操作员演示的复杂运动模式学习和生成运动技能。此外，我们评估了若干避障策略并在多模态设置下生成轨迹。
引用
@article{arxiv.2203.07761,
title = {Reactive Motion Generation on Learned Riemannian Manifolds},
author = {Hadi Beik-Mohammadi and Søren Hauberg and Georgios Arvanitidis and Gerhard Neumann and Leonel Rozo},
journal= {arXiv preprint arXiv:2203.07761},
year = {2023}
}