基于核化运动基元的不确定性感知模仿学习
机器人学
2023-09-27 v3 机器学习
摘要
在过去几年中，概率式模仿学习方法已在文献中占据了重要地位。除从任务演示中提取平均轨迹外，其最显著的特征之一是提供方差估计。然而，这一方差在不同技术下的直观含义有所不同，可能表示变异性或不确定性。在本文中，我们利用核化运动基元（KMP）通过预测关于机器人动作的变异性、相关性和不确定性，为模仿学习提供新视角。这组丰富的信息与最优控制器融合结合使用，以从数据中学习动作，具有两个主要优势：i）机器人在对其动作不确定时变得安全；ii）它们能够利用作为基本子任务给出的部分演示，最优地执行更高层次、更复杂的任务。我们在一个绘画任务中展示了我们的方法，其中人类用户与一台 KUKA 机器人协作绘制木板。该任务被分为两个子任务，我们表明使用我们的方法，机器人在训练区域外变得柔顺（因此安全），并以最优增益执行这两个子任务。
引用
@article{arxiv.1903.02114,
title = {Uncertainty-Aware Imitation Learning using Kernelized Movement Primitives},
author = {João Silvério and Yanlong Huang and Fares J. Abu-Dakka and Leonel Rozo and Darwin G. Caldwell},
journal= {arXiv preprint arXiv:1903.02114},
year = {2023}
}
备注
Published in the proceedings of IROS 2019