无多技能学习:在四足机器人中学习和过渡非相似技能,数据有限
Jiaxin Tu1, Peng Zhai1, Yueqi Zhang1
1Academy for Engineering and Technology, Fudan University, Shanghai, China.
Frontiers in robotics and AI
|May 15, 2025
概括
本研究介绍了无多技能学习 (SMSL) 框架,使机器人能够学习技能,并从不完整的运动数据中顺利过渡. 在多技能模仿学习中,SMSL有效地解决了有限的专家数据集所带来的挑战.
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
- 人工智能的人工智能
背景情况:
- 机器人学中的多技能仿真学习需要完整的专家运动数据集来进行学习和技能转换.
- 获得完整的数据集是具有挑战性的; 只有联合位置的数据集是可访问的,但不完整的,阻碍了有效的学习和过渡建模.
研究的目的:
- 引入无多技能学习 (SMSL) 框架,以解决机器人技能学习中不完整的专家数据集的局限性.
- 使机器人能够学习技能,并使用可访问的,尽管不完整的数据,在它们之间产生平稳,自然的过渡.
主要方法:
- 无多技能学习 (SMSL) 框架整合了对抗性动作先验和自我轨迹增强.
- 纳入了自适应性指令采样机制,以平衡不同难度的技能之间的培训,并防止灾难性遗忘.
主要成果:
- 实验表明,在使用不完整的专家数据集时,SMSL的性能优于基线方法.
- 在Solo8机器人上的模拟实验验证了该框架在实际机器人应用中的有效性.
结论:
- 该SMSL框架有效地使机器人能够学习技能,并从最小的,不完整的数据中产生平稳的过渡.
- 在现实世界机器人系统中,SMSL显示了自主技能学习和生成的巨大潜力.


