Constraint Inference in Control Tasks from Expert Demonstrations via Inverse Optimization

要約

未知の制約を推測することは、多くのロボット工学アプリケーションにおいて困難かつ重要な問題です。
専門家のデモンストレーションしか利用できない場合、追加のエージェントを効果的に導入するには、未知のドメインの制約を推測することが不可欠になります。
この研究では、専門家のデモンストレーションを観察した後、制御タスクにおけるアフィン制約を推測するアプローチを提案します。
制約推論問題を逆最適化問題として定式化し、KKT 残差目標を最小化することで未知の制約を推論する交互最適化スキームを提案します。
我々は、多数のシミュレーションで我々の手法の有効性を実証し、我々の手法が、同等の安全性保証を維持しながら、最近のベースライン手法よりも保守的でない制約を推論できることを示します。

要約(オリジナル)

Inferring unknown constraints is a challenging and crucial problem in many robotics applications. When only expert demonstrations are available, it becomes essential to infer the unknown domain constraints to deploy additional agents effectively. In this work, we propose an approach to infer affine constraints in control tasks after observing expert demonstrations. We formulate the constraint inference problem as an inverse optimization problem, and we propose an alternating optimization scheme that infers the unknown constraints by minimizing a KKT residual objective. We demonstrate the effectiveness of our method in a number of simulations, and show that our method can infer less conservative constraints than a recent baseline method, while maintaining comparable safety guarantees.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google