TrueRMA：基于笛卡尔空间递归中点自适应的快速平滑机器人轨迹学习
机器人学
2020-06-08 v1
摘要
我们提出 TrueRMA，一种数据高效、无模型的方法，用于在广泛起点与终点间学习成本优化的机器人轨迹。其核心思想是在笛卡尔空间中通过递归预测相对于直线中点的正交自适应来计算轨迹路点。我们在路点周围添加圆弧过渡以生成可微路径，用逆运动学求解器计算相应关节位置，并考虑速度与加速度限制计算时间最优参数化。训练期间，轨迹在物理仿真器中执行，并根据用户指定（无需可微）的成本函数分配成本。给定起点与终点作为输入，训练一个神经网络通过强化学习预测使所得轨迹成本最小化的中点自适应。我们成功训练了一台 KUKA iiwa 机器人，使其在指定点间移动时保持板上小球不落，并将 TrueRMA 与两种基线对比。结果表明，我们的方法所需训练数据更少，同时生成更短更快的轨迹。
引用
@article{arxiv.2006.03497,
title = {TrueRMA: Learning Fast and Smooth Robot Trajectories with Recursive Midpoint Adaptations in Cartesian Space},
author = {Jonas C. Kiemel and Pascal Meißner and Torsten Kröger},
journal= {arXiv preprint arXiv:2006.03497},
year = {2020}
}
备注
IEEE International Conference on Robotics and Automation (ICRA 2020); 7 pages, 9 figures