使用弹性地图从演示中学习机器人

使人类能够轻松而稳健地教授机器人新技能的方法，例如从演示中学习(LfD)，已经变得很普遍。然而，当前的LfD方法有一些缺点。

表示的泛化能力通常在很大程度上取决于任务。此外，当前的方法不能包含成功再现技能(例如按下多个按钮)所必需的通路点约束。

arXiv.org最近的一篇论文提出了一种新颖的LfD方法，该方法将展示的技能编码为弹性图(通过弹簧网连接的数据空间中的节点图)并适应新情况。

该方法可以对单个和多个演示进行建模，并生成具有理想特征的复制品，例如平滑度和形状保持。它可以将任意数量的初始、最终或通过点约束平滑地合并到复制品中。

从演示中学习(LfD)是一种从人类提供的演示中复制和概括机器人技能的流行方法。在本文中，我们提出了一种新的基于优化的LfD方法，该方法将演示编码为弹性图。弹性图是通过弹簧网连接的节点图。我们通过将弹性地图拟合到一组演示来构建技能模型。在我们的方法中制定的优化问题包括三个具有自然和物理解释的目标。主要项奖励笛卡尔坐标中的均方误差。第二项惩罚点的非等距分布，从而导致轨迹的最佳总长度。第三项奖励平滑性，同时惩罚非线性。这些二次目标形成了一个凸问题，可以用局部优化器有效地解决。我们研究了九种构建和加权弹性图的方法，并研究了它们在机器人任务中的表现。我们还使用UR5e机械臂在几个模拟和真实世界的实验中评估了所提出的方法，并将其与其他LfD方法进行比较，以证明其在各种指标上的优势和灵活性。

标签：