Hierarchical Task Decomposition for Execution Monitoring and Error Recovery: Understanding the Rationale Behind Task Demonstrations

要約

ロボットが環境と相互作用し、知覚された状況に基づいてプロセス力を適用する必要があるマルチステップ操作タスクは、学習に挑戦し、実行エラーを発生させがちです。
これらのタスクを正確にシミュレートすることも困難です。
したがって、堅牢なタス​​クパフォ​​ーマンスがエンドエフェクターのポーズと適用力を調整し、実行を監視し、偏差に反応する方法を学ぶことが重要です。
これらの課題に対処するために、実際のシステム上のユーザーデモンストレーションから、低レベルと高レベルのタスク表現の両方を直接誘導する学習アプローチを提案します。
意図認識と機能クラスタリングを組み合わせてタスクのスキルを推測する監視されていないタスクセグメンテーションアルゴリズムを開発しました。
私たちは、意図したタスクの実行から偏差を特定するために、監視されていない新しい異常検出アプローチで、各スキルの推測された特徴を活用します。
一緒に、これらのコンポーネントは、新しい状況が発生するにつれて、タスクの決定と新しい行動を段階的に学習できる包括的なフレームワークを形成します。
最先端の学習技術と比較して、私たちのアプローチは、必要な量のトレーニングデータと計算の複雑さを大幅に削減し、複雑な接触行動と回復戦略を効率的に学習します。
提案されたタスクセグメンテーションと異常検出アプローチは、2つの異なるロボットシステムで評価された力ベースのタスクに関する最先端の方法よりも優れています。

要約(オリジナル)

Multi-step manipulation tasks where robots interact with their environment and must apply process forces based on the perceived situation remain challenging to learn and prone to execution errors. Accurately simulating these tasks is also difficult. Hence, it is crucial for robust task performance to learn how to coordinate end-effector pose and applied force, monitor execution, and react to deviations. To address these challenges, we propose a learning approach that directly infers both low- and high-level task representations from user demonstrations on the real system. We developed an unsupervised task segmentation algorithm that combines intention recognition and feature clustering to infer the skills of a task. We leverage the inferred characteristic features of each skill in a novel unsupervised anomaly detection approach to identify deviations from the intended task execution. Together, these components form a comprehensive framework capable of incrementally learning task decisions and new behaviors as new situations arise. Compared to state-of-the-art learning techniques, our approach significantly reduces the required amount of training data and computational complexity while efficiently learning complex in-contact behaviors and recovery strategies. Our proposed task segmentation and anomaly detection approaches outperform state-of-the-art methods on force-based tasks evaluated on two different robotic systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google