Robot Learning Using Multi-Coordinate Elastic Maps

要約

操作スキルを学ぶために、ロボットはそれらのスキルの特徴を理解する必要があります。
ロボットが学習する簡単な方法は、ロボットが専門家のデモンストレーターからスキルを学ぶデモ（LFD）から学ぶことです。
スキルの主な機能は、1つの微分座標（つまり、デカルト）でキャプチャされる場合がありますが、他の座標では意味がある可能性があります。
たとえば、スキルの重要な特徴は、その形状または速度プロファイルである可能性があります。これは、デカルトの微分座標で発見するのが困難です。
この作業では、ロボットがこれらのスキルをさまざまな微分座標にエンコードすることで人間のデモンストレーションからスキルを学ぶことができる方法を提示し、各座標の重要性を決定してスキルを再現します。
また、これらの微分座標空間のスキルの統計的モデリングを組み合わせて、複数の微分座標を含む修正された形式の弾性マップを紹介します。
柔軟で速く計算できる弾性マップは、いくつかの異なるタイプの制約の組み込みと、任意の数のデモンストレーションの使用を可能にします。
さらに、変更された弾性マップ定式化に関連するいくつかのパラメーターを自動調整する方法を提案します。
いくつかのシミュレートされた実験と、UR5Eマニピュレーターアームを使用した実際の執筆タスクでアプローチを検証します。

要約(オリジナル)

To learn manipulation skills, robots need to understand the features of those skills. An easy way for robots to learn is through Learning from Demonstration (LfD), where the robot learns a skill from an expert demonstrator. While the main features of a skill might be captured in one differential coordinate (i.e., Cartesian), they could have meaning in other coordinates. For example, an important feature of a skill may be its shape or velocity profile, which are difficult to discover in Cartesian differential coordinate. In this work, we present a method which enables robots to learn skills from human demonstrations via encoding these skills into various differential coordinates, then determines the importance of each coordinate to reproduce the skill. We also introduce a modified form of Elastic Maps that includes multiple differential coordinates, combining statistical modeling of skills in these differential coordinate spaces. Elastic Maps, which are flexible and fast to compute, allow for the incorporation of several different types of constraints and the use of any number of demonstrations. Additionally, we propose methods for auto-tuning several parameters associated with the modified Elastic Map formulation. We validate our approach in several simulated experiments and a real-world writing task with a UR5e manipulator arm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google