基于弹性动力系统运动策略的带稳定性保证的任务泛化
机器人学
2023-09-06 v1 机器学习
系统与控制
系统与控制
摘要
基于动力系统(DS)的示教学习(LfD)可从少量轨迹中学习具有稳定性与收敛保证的反应式运动策略。然而,当前的DS学习技术缺乏泛化到新任务实例的灵活性,因为它们忽略了本质上改变底层轨迹的显式任务参数。本工作中,我们提出Elastic-DS,一种新颖的DS学习与泛化方法,将任务参数嵌入基于高斯混合模型(GMM)的线性变参数(LPV)DS公式。我们方法的核心是Elastic-GMM,一种约束于SE(3)任务相关坐标系的GMM。给定新任务实例/上下文,Elastic-GMM经拉普拉斯编辑变换并用于重新估计LPV-DS策略。Elastic-DS本质具组合性,可用于构建灵活的多步任务。我们在大量仿真与真实机器人实验中展示了其优势,同时保留了期望的控制理论保证。补充视频见https://sites.google.com/view/elastic-ds
引用
@article{arxiv.2309.01884,
title = {Task Generalization with Stability Guarantees via Elastic Dynamical System Motion Policies},
author = {Tianyu Li and Nadia Figueroa},
journal= {arXiv preprint arXiv:2309.01884},
year = {2023}
}
备注
Accepted to CoRL 2023