基于演示的自适应安全运动规划中的不确定性感知约束学习
机器人学
2020-11-10 v1 机器学习
系统与控制
系统与控制
摘要
我们提出一种从演示中学习满足不确定约束的方法。我们的方法使用鲁棒优化来获得与演示一致的可能约束（可能是无限集）上的置信分布，然后利用该置信分布规划在性能与满足可能约束之间权衡的轨迹。我们将这些轨迹用于闭环策略中，该策略执行并基于置信更新（融入执行期间收集的数据）进行重规划。我们推导了约束置信准确性的保证以及规划安全性的概率保证。我们在 7 自由度机械臂和 12 维四旋翼上展示了结果，表明我们的方法能够学习满足高维（高达 30 维）不确定约束，并在安全性与效率上优于基线方法。
引用
@article{arxiv.2011.04141,
title = {Uncertainty-Aware Constraint Learning for Adaptive Safe Motion Planning from Demonstrations},
author = {Glen Chou and Necmiye Ozay and Dmitry Berenson},
journal= {arXiv preprint arXiv:2011.04141},
year = {2020}
}
备注
4th Conference on Robot Learning (CoRL 2020)