Imitation Learning with Additional Constraints on Motion Style using Parametric Bias

要約

模倣学習は、人間のデモンストレーションをロボットで適応的に再現する手法の 1 つです。
これまでのところ、模倣学習の汎化能力により、ロボットは訓練されていない環境でも適応的にタスクを実行できることがわかっている。
ただし、動作軌跡や加える力の量などの動作スタイルは人間のデモンストレーションのデータセットに大きく依存し、平均的な動作スタイルに落ち着きます。
本研究では、従来の模倣学習ネットワークにパラメトリックバイアスを加え、動作スタイルに制約を付加できる手法を提案する。
PR2と筋骨格系ヒューマノイド「ムサシラーム」を用いた実験により、関節速度、筋長速度、筋張力などの制約を設けながら、動作スタイルを意図通りに変化させて課題を実行できることを示します。

要約(オリジナル)

Imitation learning is one of the methods for reproducing human demonstration adaptively in robots. So far, it has been found that generalization ability of the imitation learning enables the robots to perform tasks adaptably in untrained environments. However, motion styles such as motion trajectory and the amount of force applied depend largely on the dataset of human demonstration, and settle down to an average motion style. In this study, we propose a method that adds parametric bias to the conventional imitation learning network and can add constraints to the motion style. By experiments using PR2 and the musculoskeletal humanoid MusashiLarm, we show that it is possible to perform tasks by changing its motion style as intended with constraints on joint velocity, muscle length velocity, and muscle tension.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google