迈向机器人操作策略的在线安全校正
机器人学
2024-09-13 v1
摘要
将强化学习（RL）应用于机器人领域的近期成功表明，它是构建机器人控制器的可行方法。然而，在执行过程中出现新障碍物的环境中，RL 控制器可能会产生许多碰撞。这在安全关键场景中构成了问题。我们提出了一种名为 iKinQP-RL 的混合方法，该方法使用逆运动学二次规划（iKinQP）控制器在运行时校正 RL 策略提出的动作。这确保了在训练期间不存在的新障碍物出现时仍能安全执行。初步实验表明，我们的 iKinQP-RL 框架在与新障碍物发生碰撞方面完全消除，同时保持了较高的任务成功率。
引用
@article{arxiv.2409.08233,
title = {Towards Online Safety Corrections for Robotic Manipulation Policies},
author = {Ariana Spalter and Mark Roberts and Laura M. Hiatt},
journal= {arXiv preprint arXiv:2409.08233},
year = {2024}
}