SKID RAW：从原始轨迹中发现技能
机器学习
2021-03-29 v1 人工智能
机器人学
摘要
将机器人集成到复杂的日常环境中需要解决大量问题。其中一项关键特性是赋予机器人一种以简单自然的方式教其新任务的机制。当教授涉及不同技能序列且这些技能的顺序和数量可变的任务时，期望仅演示完整的任务执行而非所有单独技能。为此，我们提出了一种新方法，该方法在无需进一步监督的情况下，从未标注的演示中同时学习将轨迹分割为重复出现的模式以及重建这些模式的技能。此外，该方法学习了一种技能条件化，可用于理解可能的技能序列，这是一种实用的机制，可用于例如人机交互中以实现更智能和自适应的机器人行为。这种基于贝叶斯和变分推断的方法在具有不同复杂度和维度的合成及真实人类演示上进行了评估，显示出从未标注数据中成功学习分割和技能库。
引用
@article{arxiv.2103.14610,
title = {SKID RAW: Skill Discovery from Raw Trajectories},
author = {Daniel Tanneberg and Kai Ploeger and Elmar Rueckert and Jan Peters},
journal= {arXiv preprint arXiv:2103.14610},
year = {2021}
}
备注
IEEE Robotics and Automation Letters