基于ProMPs的Peg-in-hole组装技能模仿学习方法,在任务几何表示下.
Yajing Zang1, Pengfei Wang1, Fusheng Zha1
1School of Mechatronics Engineering, State Key Laboratory of Robotics and System, Harbin Institute of Technology, Harbin, China.
Frontiers in neurorobotics
|November 29, 2023
概括
本研究介绍了一种简化模仿学习方法,使用几何表示和概率运动原始体 (ProMP) 来改进机器人组装任务的学习. 这种方法增强了行为克隆 (BC) 以获得更好的技能和概括.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
- 模仿学习学习学习学习
背景情况:
- 行为克隆 (BC) 与机器人操纵的稀疏和不完美的人类示范数据作斗争.
- 现有的方法在有效利用有限的示范轨迹来完成复杂的组装任务方面面临挑战.
研究的目的:
- 提出一种精简的模仿学习方法,利用几何表示来增强机器人组装技能学习.
- 改进在机器人操纵任务中利用稀缺和不完美的人类示范数据.
主要方法:
- 演示轨迹被映射到几何特征空间中,并使用动态时间扭曲 (DTW) 对齐.
- 概率运动原始体 (ProMPs) 被提取出来,通过行为克隆 (BC) 来生成训练神经网络的各种任务轨迹.
- 该方法利用当前任务状态作为ProMPs模型中的点来生成未来的轨迹.
主要成果:
- 与传统的模仿学习相比,拟议的方法在入孔组装任务中取得了更高的成功率.
- 学习组装策略在模拟和真实机器人平台上展示了合理的概括能力.
- 使用ProMPs的几何表示有效地提高了BC从演示数据中学习任务技能的能力.
结论:
- 简化模仿学习方法通过有效利用几何表示和ProMPs来增强BC.
- 这种方法为从有限的人类演示中学习复杂的机器人操纵技能提供了可行的解决方案.
- 这些发现突出了几何特征提取和ProMPs在改进机器人学中的模仿学习方面的潜力.
