非参数在线机器人学习的小方差渐近分析

小方差渐近正成为大规模贝叶斯非参数混合模型中一种有用的推断技术。本文分析了在小方差渐近下，使用贝叶斯非参数混合模型进行机器人操作任务的在线学习。该分析产生了一种可扩展的在线序列聚类（SOSC）算法，该算法在聚类数量和每个聚类的子空间维度上是非参数的。SOSC 通过基于 Dirichlet 过程的概率主成分分析器非参数混合（MPPCA）中的在线推断，将新数据点分组到其低维子空间中，并通过基于层次 Dirichlet 过程的隐半马尔可夫模型（HSMM）在线捕获状态转移和状态持续时间信息。我们方法的任务参数化形式使模型能够在操作过程中自主适应不断变化的环境情况。我们将该算法应用于遥操作设置中，以识别操作者的意图，并使用学习到的模型远程调整机器人的运动。生成模型通过依赖共享控制和自主控制的原则，用于合成时间无关和时间相关的行为。使用 Baxter 机器人进行的实验产生了简约的聚类，这些聚类能随着新的演示在线适应，并协助操作者执行远程操作任务。