利用行为克隆理解插孔装配任务中的多模态感知
机器人学
2020-07-24 v1 机器学习
摘要
插孔装配（PiH）任务的主要挑战之一在于处理目标孔位置的不确定性。为解决此问题，可将来自视觉、力/力矩感知与本体感知等感知模态的高维传感器输入相结合，以学习对该目标位姿不确定性具有鲁棒性的控制策略。尽管深度学习在利用高维输入进行物体识别与决策方面已取得成功，但直接在实际系统上应用试错算法可能损坏机器人。同时，示教学习（LfD）方法已通过对专家提供的示教数据进行利用，在实际机器人系统中展现出引人注目的性能。本文中，我们研究在利用 LfD 技术为实际装配操作任务学习控制器时，将视觉、力/力矩传感器与本体感知等多种传感器模态相结合的优势。本研究限于 PiH 插入；我们计划未来将研究扩展至更多实验。此外，我们提出一种多步超前损失函数以改进行为克隆方法的性能。真实机械臂上的实验结果支持了我们的发现，并显示了所提损失函数的有效性。
引用
@article{arxiv.2007.11646,
title = {Understanding Multi-Modal Perception Using Behavioral Cloning for Peg-In-a-Hole Insertion Tasks},
author = {Yifang Liu and Diego Romeres and Devesh K. Jha and Daniel Nikovski},
journal= {arXiv preprint arXiv:2007.11646},
year = {2020}
}
备注
Published at a RSS20 workshop