要約
この論文では、ロボットがワークスペースの特定の領域で複雑な操作タスクを実行する能力に自信を持てるように、十分な運動感覚のデモンストレーションを一度に 1 つずつ体系的に取得するという問題を研究します。
デモンストレーションからの学習は活発な研究分野ですが、一連のデモンストレーションが十分であるかどうかを確認し、体系的に追加のデモンストレーションを求めるという問題は未解決のままです。
我々は、(i) ネジの幾何学的表現を使用してデモンストレーションから操作計画を生成し、一連のデモンストレーションの十分性を測定可能にする、これらの未解決の問題に対処するための新しいアプローチを提案します。
(ii) タスク空間のサブ領域で操作計画を生成するロボットの能力を評価するための、多腕バンディット最適化からの PAC 学習に基づくサンプリング戦略。
(iii) 弱点領域から追加の実証を求めるヒューリスティック。
したがって、ロボットがタスクを正常に実行できると高い自信を持って評価できるようになるまで、ロボットが徐々に新しいデモンストレーション例を積極的に要求するアプローチを提案します。
私たちのアプローチを説明するために、2 つの操作タスク例、つまり注ぐこととすくい上げに関する実験結果を示します。
この方法に関する短いビデオ: https://youtu.be/R-qICICdEos
要約(オリジナル)
In this paper, we study the problem of methodically obtaining a sufficient set of kinesthetic demonstrations, one at a time, such that a robot can be confident of its ability to perform a complex manipulation task in a given region of its workspace. Although Learning from Demonstrations has been an active area of research, the problems of checking whether a set of demonstrations is sufficient, and systematically seeking additional demonstrations have remained open. We present a novel approach to address these open problems using (i) a screw geometric representation to generate manipulation plans from demonstrations, which makes the sufficiency of a set of demonstrations measurable; (ii) a sampling strategy based on PAC-learning from multi-armed bandit optimization to evaluate the robot’s ability to generate manipulation plans in a subregion of its task space; and (iii) a heuristic to seek additional demonstration from areas of weakness. Thus, we present an approach for the robot to incrementally and actively ask for new demonstration examples until the robot can assess with high confidence that it can perform the task successfully. We present experimental results on two example manipulation tasks, namely, pouring and scooping, to illustrate our approach. A short video on the method: https://youtu.be/R-qICICdEos
arxiv情報
| 著者 | Dibyendu Das,Aditya Patankar,Nilanjan Chakraborty,C. R. Ramakrishnan,I. V. Ramakrishnan |
| 発行日 | 2024-10-23 20:57:56+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google