基于心理模拟的免监督避损操作策略优化
机器人学
2019-08-15 v2 人工智能
摘要
日常机器人在物流或零售等应用中的自主产品处理面临挑战，可能在操作过程中对物品造成损坏。传统上，多数方法试图最小化与货物的物理交互。然而，本文提出考虑任何非预期物体运动，并以自监督方式学习损伤最小化的操作策略。所提方法由一种基于模拟的规划方法组成，用于针对可能损伤规划最优操作序列。所规划的操作序列使用机器学习推广到同一应用场景中新的、未见的场景。该学到的操作策略在系统空闲时段（俗称心理模拟）的持续自监督、仿真在环优化周期中不断精炼。同时，所生成的操作策略能以 anytime 方式在近实时下部署。该方法在工业集装箱卸载场景与零售货架补货场景中得到了验证。
引用
@article{arxiv.1712.07452,
title = {Self-Supervised Damage-Avoiding Manipulation Strategy Optimization via Mental Simulation},
author = {Tobias Doernbach},
journal= {arXiv preprint arXiv:1712.07452},
year = {2019}
}