通过不确定性感知的模仿学习实现状态与上下文相关的机器人操作与抓取
机器人学
2024-11-01 v1 人工智能
机器学习
摘要
生成上下文自适应的操作和抓取动作是机器人学中的一个具有挑战性的问题。经典规划和控制算法在通过外部变量（如物体形状）进行参数化方面往往缺乏灵活性。相比之下，基于演示的学习（LfD）方法，由于其作为函数逼近器的性质，允许引入外部变量来根据环境调节策略。在本文中，我们利用这一特性，引入了一种LfD方法来获取上下文相关的抓取和操作策略。我们将该问题视为基于核函数的函数逼近，其中核函数的输入包括描述任务相关参数（如物体形状）的通用上下文变量。我们基于现有的带有不确定性量化的策略融合工作，提出了一种状态相关的方法，该方法能自动回归到演示行为，在平滑适应上下文变化的同时避免不可预测的行为。该方法在LASA手写数据集上以及在一个真实的7自由度机器人上进行了评估，评估场景有两个：抓取和操作可变形食品时适应滑动。
引用
@article{arxiv.2410.24035,
title = {State- and context-dependent robotic manipulation and grasping via uncertainty-aware imitation learning},
author = {Tim R. Winter and Ashok M. Sundaram and Werner Friedl and Maximo A. Roa and Freek Stulp and João Silvério},
journal= {arXiv preprint arXiv:2410.24035},
year = {2024}
}