Enhancing Robotic Adaptability: Integrating Unsupervised Trajectory Segmentation and Conditional ProMPs for Dynamic Learning Environments

要約

我々は、ロボットの適応性と学習効率を高めるための新しいフレームワークを提案します。これは、教師なし軌道セグメンテーションと適応的確率的動作プリミティブ（ProMP）を統合します。
オートエンコーダーとリカレント ニューラル ネットワーク (RNN) を組み合わせた最先端の深層学習アーキテクチャを採用することで、私たちのアプローチは、ラベルのない連続モーション データの重要な移行点を自律的に正確に特定し、広範囲にラベル付けされたデータセットへの依存を大幅に削減します。
この革新的な方法は、条件変数を使用して動作軌道を動的に調整し、動的条件下でのロボット動作の柔軟性と精度を大幅に向上させると同時に、従来のロボット プログラミング方法に関連する計算オーバーヘッドを削減します。
私たちの実験的検証により、既存の技術と比較して優れた学習効率と適応性が実証され、産業用ロボットやサービスロボットにおける高度なアプリケーションへの道が開かれます。

要約(オリジナル)

We propose a novel framework for enhancing robotic adaptability and learning efficiency, which integrates unsupervised trajectory segmentation with adaptive probabilistic movement primitives (ProMPs). By employing a cutting-edge deep learning architecture that combines autoencoders and Recurrent Neural Networks (RNNs), our approach autonomously pinpoints critical transitional points in continuous, unlabeled motion data, thus significantly reducing dependence on extensively labeled datasets. This innovative method dynamically adjusts motion trajectories using conditional variables, significantly enhancing the flexibility and accuracy of robotic actions under dynamic conditions while also reducing the computational overhead associated with traditional robotic programming methods. Our experimental validation demonstrates superior learning efficiency and adaptability compared to existing techniques, paving the way for advanced applications in industrial and service robotics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google