Logic Learning from Demonstrations for Multi-step Manipulation Tasks in Dynamic Environments

要約

Learning from Demonstration (LfD) は、ロボットに人間のようなスキルを与えるための効率的なフレームワークとして機能します。
それにもかかわらず、動的環境における長期的な操作タスクの外乱をシームレスに模倣、一般化し、反応できる LfD フレームワークを設計することは依然として課題です。
この課題に取り組むために、当社は、タスクおよびモーション プランニング (TAMP) と DMP の最適な制御定式化を組み合わせたロジック ダイナミック ムーブメント プリミティブ (Logic-DMP) を提案します。これにより、モーション レベルの経由点仕様を組み込み、タスクを処理できるようになります。
動的環境におけるレベルの変動や妨害。
私たちは、提案したアプローチをいくつかのベースラインと比較分析し、3 つの長期的な操作タスクにわたる一般化能力と反応性を評価します。
私たちの実験は、長期的な操作タスクにおけるタスクレベルのバリアントや外乱を処理するための Logic-DMP の迅速な一般化と反応性を示しています。

要約(オリジナル)

Learning from Demonstration (LfD) stands as an efficient framework for imparting human-like skills to robots. Nevertheless, designing an LfD framework capable of seamlessly imitating, generalizing, and reacting to disturbances for long-horizon manipulation tasks in dynamic environments remains a challenge. To tackle this challenge, we present Logic Dynamic Movement Primitives (Logic-DMP), which combines Task and Motion Planning (TAMP) with an optimal control formulation of DMP, allowing us to incorporate motion-level via-point specifications and to handle task-level variations or disturbances in dynamic environments. We conduct a comparative analysis of our proposed approach against several baselines, evaluating its generalization ability and reactivity across three long-horizon manipulation tasks. Our experiment demonstrates the fast generalization and reactivity of Logic-DMP for handling task-level variants and disturbances in long-horizon manipulation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google