迈向协调的机器人运动：变换树上的运动策略端到端学习
机器人学
2021-03-12 v2 机器学习
摘要
由于机器人所施加的几何约束，生成同时满足多个任务的机器人运动具有挑战性。本文中，我们提出通过从人类示范中学习结构化策略来解决多任务问题。我们的结构化策略受 RMPflow 启发，后者是一种在不同空间上组合子任务策略的框架。该策略结构为用户提供接口以：1) 指定与任务完成直接相关的空间，以及 2) 设计某些无需学习的任务策略。我们推导了适用于多任务问题的端到端学习目标函数，强调任务空间上运动的偏差。此外，从所学策略类生成的运动被保证是稳定的。我们通过在 7-DOF Rethink Sawyer 机器人上的三个机器人任务进行定性与定量评估，验证了所提学习框架的有效性。
引用
@article{arxiv.2012.13457,
title = {Towards Coordinated Robot Motions: End-to-End Learning of Motion Policies on Transform Trees},
author = {M. Asif Rana and Anqi Li and Dieter Fox and Sonia Chernova and Byron Boots and Nathan Ratliff},
journal= {arXiv preprint arXiv:2012.13457},
year = {2021}
}