TrueÆdapt：在关节空间中学习具有有界加加速度、加速度与速度的平滑在线轨迹自适应
机器人学
2020-10-20 v2
摘要
我们提出TrueÆdapt，一种基于机器人轨迹对环境的作用来学习在线自适应轨迹的无模型方法。给定感官反馈与原始轨迹的未来路点，训练一个神经网络以定常间隔预测关节加速度。自适应轨迹通过对预测加速度进行线性插值生成，从而得到连续可微的关节速度与位置。有界的加加速度、加速度与速度通过计算每个决策步有效加速度的范围并相应裁剪网络输出而得以保证。训练过程中的偏离惩罚使自适应轨迹跟随原始轨迹。通过对高加速度与加加速度施加惩罚来鼓励平滑运动。我们通过训练一个仿真的KUKA iiwa机器人在移动中于平板上平衡小球来评估我们的方法，并证明该平衡策略可直接迁移至真实机器人。
引用
@article{arxiv.2006.00375,
title = {True{\AE}dapt: Learning Smooth Online Trajectory Adaptation with Bounded Jerk, Acceleration and Velocity in Joint Space},
author = {Jonas C. Kiemel and Robin Weitemeyer and Pascal Meißner and Torsten Kröger},
journal= {arXiv preprint arXiv:2006.00375},
year = {2020}
}
备注
IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2020); 8 pages, 13 figures; A video presentation is available at https://youtu.be/aNB0_tRxsuk