利用展开马尔可夫随机场综合未充分指定任务的操作序列
机器人学
2015-04-14 v2 人工智能
机器学习
摘要
人类环境中的许多任务需要执行涉及物体的导航和操作步骤序列。在非结构化的人类环境中，所涉及物体的位置和配置经常以不可预测的方式变化。这需要一种在不确定环境中具有鲁棒性和灵活性的高级规划策略。我们提出了一种新颖的动态规划策略，该策略可以从一组示例序列中进行训练。高级任务被表示为一系列原始动作或控制器（带有适当参数）。我们的基于马尔可夫随机场 (MRF) 的评分函数捕捉了环境、控制器及其参数之间的关系。通过使用属性集来表示环境，该方法能很好地泛化到未见过的场景。我们使用最大间隔学习方法训练 MRF 的参数。我们提供了对整个框架的详细实证验证，展示了针对各种任务的成功规划策略。
引用
@article{arxiv.1306.5707,
title = {Synthesizing Manipulation Sequences for Under-Specified Tasks using Unrolled Markov Random Fields},
author = {Jaeyong Sung and Bart Selman and Ashutosh Saxena},
journal= {arXiv preprint arXiv:1306.5707},
year = {2015}
}
备注
To Appear in IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2014 (A preliminary version of this work was presented at International Conference of Machine Learning (ICML) workshop on Prediction with Sequential Models, 2013)