基于约束贝叶斯优化与仿真先验的安全感知机器人损伤恢复
机器人学
2016-12-05 v3 机器学习
摘要
最近提出的智能试错（IT&E）算法表明，机器人能在数次试验内适应损伤。该算法的成功依赖于两个组成部分：通过完好机器人的仿真获得的先验知识，以及在受损机器人上在线运行的贝叶斯优化（BO）。虽然 IT&E 能实现快速损伤恢复，但它未纳入任何防止机器人尝试有害行为的安全约束。在本工作中，我们通过将 BO 组件替换为约束 BO 过程来解决这一局限。我们在一个需要尽可能快速爬行、同时尽可能少地执行不安全试验的仿真受损人形机器人上评估了我们的方法。我们将新的“安全感知 IT&E”算法与 IT&E 以及将安全约束作为独立目标处理的多目标版 IT&E 进行了比较。结果表明，我们的算法在安全区域内的爬行速度和不安全试验次数方面均优于其他方法。
引用
@article{arxiv.1611.09419,
title = {Safety-Aware Robot Damage Recovery Using Constrained Bayesian Optimization and Simulated Priors},
author = {Vaios Papaspyros and Konstantinos Chatzilygeroudis and Vassilis Vassiliades and Jean-Baptiste Mouret},
journal= {arXiv preprint arXiv:1611.09419},
year = {2016}
}
备注
Accepted at the BayesOpt 2016 NIPS workshop, 5 pages, 2 figures, 1 algorithm