Controlled Gaussian Process Dynamical Models with Application to Robotic Cloth Manipulation

要約

タイトル：制御されたガウス過程動的モデルを用いたロボットクロス操作に関する研究

要約：

– 非剛体物体の取り扱いは未だ解決すべき課題である。
– ガウス過程動的モデル（CGPDM）は、外部制御変数が作用する低次元の潜在空間を持ち、観察空間へのマッピングを伴うものであり、高次元状態空間をより小さい次元の潜在空間に投影することができる。
– 高次元の状態表現のため、これらのモデルのトレーニングは高次元であるため困難であるが、CGPDMはガウス過程事前分布を使用することでパラメータを無視することができる。
– CGPDMのモデリング能力はシミュレーションおよび実際のシナリオでテストされ、広範な動きを汎化し、以前に見たことのない制御アクションのシーケンスによる布の動きを自信を持って予測できることが証明されている。

要約(オリジナル)

Over the last years, significant advances have been made in robotic manipulation, but still, the handling of non-rigid objects, such as cloth garments, is an open problem. Physical interaction with non-rigid objects is uncertain and complex to model. Thus, extracting useful information from sample data can considerably improve modeling performance. However, the training of such models is a challenging task due to the high-dimensionality of the state representation. In this paper, we propose Controlled Gaussian Process Dynamical Model (CGPDM) for learning high-dimensional, nonlinear dynamics by embedding it in a low-dimensional manifold. A CGPDM is constituted by a low-dimensional latent space, with an associated dynamics where external control variables can act and a mapping to the observation space. The parameters of both maps are marginalized out by considering Gaussian Process (GP) priors. Hence, a CGPDM projects a high-dimensional state space into a smaller dimension latent space, in which it is feasible to learn the system dynamics from training data. The modeling capacity of CGPDM has been tested in both a simulated and a real scenario, where it proved to be capable of generalizing over a wide range of movements and confidently predicting the cloth motions obtained by previously unseen sequences of control actions.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI