智慧城市应用中基于连续目标导向动作的真实评估可处理性
机器人学
2024-02-02 v1 人工智能
机器学习
摘要
智慧城市应用最重要的挑战之一是使系统适应与非专业用户的交互。机器人模仿框架旨在通过允许用户直接通过演示编程来简化和减少机器人编程时间。在经典框架中，动作使用关节或笛卡尔空间轨迹建模。其他特征，如视觉特征，并不总是能用这些纯几何方法很好地表示。连续目标导向动作（CGDA）是这些方法的一种替代方案，因为它将动作编码为可以从环境中提取的任何特征的变化。因此，必须完全计算机器人关节轨迹以符合这种特征无关的编码。这是通过进化算法（EA）实现的，这通常需要太多的评估才能在实际机器人中执行这个进化步骤。当前策略涉及在仿真中执行评估，将最终关节轨迹转移到实际机器人。智慧城市应用涉及在高度动态和复杂的环境中工作，其中精确模型并不总是可实现的。我们的目标是研究直接在真实场景中执行这些评估的可处理性。我们提出了两种减少EA评估次数的方法并进行比较。第一种方法研究了基于粒子群优化（PSO）的方法并在CGDA内进行比较：朴素PSO、适应度继承PSO（FI-PSO）和自适应模糊适应度粒化PSO（AFFG-PSO）。第二种方法研究了在CGDA中引入几何和速度约束。我们在蜡和油漆动作（两个CGDA常用研究用例）中分析和比较了两种方法的效果。本文的结果显示了评估次数的显著减少。
引用
@article{arxiv.2402.00678,
title = {Real Evaluations Tractability using Continuous Goal-Directed Actions in Smart City Applications},
author = {Raul Fernandez-Fernandez and Juan G. Victores and David Estevez and Carlos Balaguer},
journal= {arXiv preprint arXiv:2402.00678},
year = {2024}
}