TimewarpVAE：轨迹的同步时间扭曲与表示学习
机器学习
2024-06-10 v2 机器人学
摘要
人类轨迹演示是许多机器学习问题的重要训练数据来源。然而，为复杂任务收集人类演示数据的困难使得学习这些轨迹的高效表示具有挑战性。对于许多问题，例如灵巧操作，轨迹的精确时序应与其空间路径特征相分离。在这项工作中，我们提出 TimewarpVAE，一种全可微流形学习算法，其结合动态时间规整（DTW）来同时学习时序变化与空间变化的潜在因子。我们展示了 TimewarpVAE 算法如何在手写和叉子操作数据集中学习适当的时间对齐及有意义的空间变化表示。我们的结果比基线方法具有更低的空间重建测试误差，且学习到的低维表示可用于高效生成语义有意义的新轨迹。我们展示了我们的算法在生成机械臂新颖高速轨迹方面的效用。
引用
@article{arxiv.2310.16027,
title = {TimewarpVAE: Simultaneous Time-Warping and Representation Learning of Trajectories},
author = {Travers Rhodes and Daniel D. Lee},
journal= {arXiv preprint arXiv:2310.16027},
year = {2024}
}
备注
Artificial Intelligence for Time Series Analysis (AI4TS): Theory, Algorithms, and Applications Workshop at IJCAI '24