基于模仿学习与对比学习的稳定运动基元
机器人学
2023-06-30 v3
摘要
从人类示范中学习使非专家能轻松编程机器人，降低了构建复杂机器人方案所需的资源。然而，此类数据驱动方法往往无法对其习得行为提供保证，而这对避免故障和/或事故至关重要。本文关注到达/点对点运动，即机器人必须始终到达其目标，且与初始状态无关。这可通过将运动建模为动力系统并确保其全局渐近稳定来实现。因此，我们引入一种新颖的对比学习损失用于训练深度神经网络（DNN），当其与模仿学习损失一同使用时，可强制所学运动具备上述稳定性。与先前工作不同，我们的方法不限制其函数逼近器的结构，使其能与任意DNN配合使用，并允许以高精度学习复杂运动。我们使用数据集和真实机器人进行验证。在前一种情况下，运动为2维和4维，建模为一阶和二阶动力系统。在后一种情况下，运动为3、4和6维，一阶与二阶，并用于在末端执行器空间与关节空间控制7自由度机械臂。关于真实世界实验的更多细节见：\url{https://youtu.be/OM-2edHBRfc}。
引用
@article{arxiv.2302.10017,
title = {Stable Motion Primitives via Imitation and Contrastive Learning},
author = {Rodrigo Pérez-Dattari and Jens Kober},
journal= {arXiv preprint arXiv:2302.10017},
year = {2023}
}