Reactive Motion Generation on Learned Riemannian Manifolds

要約

ここ数十年間、動作学習の進歩により、ロボットは新しいスキルを習得し、構造化環境と非構造化環境の両方で目に見えない条件に適応できるようになりました。
実際には、モーション学習手法は関連するパターンをキャプチャし、動的な障害物回避や可変ターゲットなどの新しい条件に合わせて調整します。
この論文では、リーマン多様体の観点からロボットの運動学習パラダイムを調査します。
私たちは、測地線が自然な運動スキルである人間のデモンストレーションを通じてリーマン多様体を学習できる可能性があると主張します。
測地線は、当社の新しい変分オートエンコーダ (VAE) によって生成された学習リーマン計量を使用して生成されます。VAE は、特にフルポーズのエンドエフェクター状態とジョイント スペース構成を復元することを目的としています。
さらに、障害物を認識するアンビエントメトリックを使用して学習された多様体を再形成することにより、オンザフライのエンドエフェクター/複数の肢による障害物回避を容易にする手法を提案します。
これらの測地線を使用して生成されたモーションは、当然のことながら、これまで明示的に実証されていない複数の解決タスクをもたらす可能性があります。
私たちは、7-DoF ロボット マニピュレーターを使用して、タスク空間と関節空間のシナリオでアプローチを広範囲にテストしました。
私たちは、人間のオペレーターによって示された複雑な動作パターンに基づいて、私たちの方法が動作スキルを学習および生成できることを実証します。
さらに、いくつかの障害物回避戦略を評価し、複数のモード設定で軌道を生成します。

要約(オリジナル)

In recent decades, advancements in motion learning have enabled robots to acquire new skills and adapt to unseen conditions in both structured and unstructured environments. In practice, motion learning methods capture relevant patterns and adjust them to new conditions such as dynamic obstacle avoidance or variable targets. In this paper, we investigate the robot motion learning paradigm from a Riemannian manifold perspective. We argue that Riemannian manifolds may be learned via human demonstrations in which geodesics are natural motion skills. The geodesics are generated using a learned Riemannian metric produced by our novel variational autoencoder (VAE), which is especially intended to recover full-pose end-effector states and joint space configurations. In addition, we propose a technique for facilitating on-the-fly end-effector/multiple-limb obstacle avoidance by reshaping the learned manifold using an obstacle-aware ambient metric. The motion generated using these geodesics may naturally result in multiple-solution tasks that have not been explicitly demonstrated previously. We extensively tested our approach in task space and joint space scenarios using a 7-DoF robotic manipulator. We demonstrate that our method is capable of learning and generating motion skills based on complicated motion patterns demonstrated by a human operator. Additionally, we assess several obstacle avoidance strategies and generate trajectories in multiple-mode settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google