基于示范的残差学习：使 DMP 适应于富含接触的操作
机器人学
2022-03-23 v5 人工智能
摘要
涉及接触与摩擦的操作技能是许多机器人任务固有的。利用用于类插孔插入的运动基元类，我们研究机器人如何学习此类技能。动态运动基元（DMP）是通过行为克隆（BC）提取此类策略的流行方法，但在插入情境中可能存在困难。残差学习等策略适应方法有助于在富含接触的操作情境中提升策略的整体性能。然而，如何最好地将其与 DMP 结合尚不清楚。为此，我们考虑了若干种适应 DMP 公式的可能方式，并提出“基于示范的残差学习”（rLfD），一种将 DMP 与强化学习（RL）结合以学习残差修正策略的框架。我们的评估表明，直接在任务空间中应用残差学习并对机器人的完整位姿进行操作可显著提升 DMP 的整体性能。我们展示了 rLfD 提供了一种对关节温和的解决方案，改善了 DMP 的任务成功率和泛化能力，\rb{并通过少样本任务适应实现了向不同几何形状与摩擦的迁移}。所提框架在一组任务上进行了评估。一个仿真机器人与一个物理机器人需成功将销、齿轮和插头插入各自的插座。本文的配套材料与视频见 https://sites.google.com/view/rlfd/。
引用
@article{arxiv.2008.07682,
title = {Residual Learning from Demonstration: Adapting DMPs for Contact-rich Manipulation},
author = {Todor Davchev and Kevin Sebastian Luck and Michael Burke and Franziska Meier and Stefan Schaal and Subramanian Ramamoorthy},
journal= {arXiv preprint arXiv:2008.07682},
year = {2022}
}