Confidence-Based Skill Reproduction Through Perturbation Analysis

要約

ロボットを教える方法はいくつかありますが、最も有名なものの 1 つはデモンストレーションからの学習 (LfD) です。
多くの LfD 表現は、制約付き最適化問題として定式化できます。
我々は、弾性マップとして表される LfD 問題の新しい凸定式化を提案します。これは、再生を一連の接続されたバネとしてモデル化します。
強い双対性の特性と制約付き最適化問題の摂動分析に基づいて、信頼度メトリックを作成します。
私たちの方法では、実証されたスキルをさまざまな信頼レベルで再現することができ、さまざまなレベルの滑らかさと柔軟性が得られます。
私たちの信頼度に基づいた手法は、特定の一連の制約に対してより優れたパフォーマンスを発揮するスキルの再現を提供します。
制約を分析することにより、私たちの方法は不要な制約を削除することもできます。
Jaco2 7DOF マニピュレータ アームを使用したいくつかのシミュレーション実験と現実世界の実験を使用して、アプローチを検証します。

要約(オリジナル)

Several methods exist for teaching robots, with one of the most prominent being Learning from Demonstration (LfD). Many LfD representations can be formulated as constrained optimization problems. We propose a novel convex formulation of the LfD problem represented as elastic maps, which models reproductions as a series of connected springs. Relying on the properties of strong duality and perturbation analysis of the constrained optimization problem, we create a confidence metric. Our method allows the demonstrated skill to be reproduced with varying confidence level yielding different levels of smoothness and flexibility. Our confidence-based method provides reproductions of the skill that perform better for a given set of constraints. By analyzing the constraints, our method can also remove unnecessary constraints. We validate our approach using several simulated and real-world experiments using a Jaco2 7DOF manipulator arm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google