Beyond Predefined Actions: Integrating Behavior Trees and Dynamic Movement Primitives for Robot Learning from Demonstration

要約

動作ツリー（BTS）や動的モーションプリミティブ（DMP）などの解釈可能なポリシー表現は、人間のデモンストレーションからロボットスキル転送を可能にしますが、それぞれが制限に直面しています。BTSは専門家操作の低レベルアクションを必要としますが、DMPは高レベルのタスクロジックを欠いています。
DMPコントローラーをBTフレームワークに統合し、単一のデモンストレーションからBT構造とDMPアクションを共同で学習し、事前定義されたアクションの必要性を削除することにより、これらの制限に対処します。
さらに、BT決定ロジックとDMPモーション生成を組み合わせることにより、当社の方法は、自律システムのポリシーの解釈可能性、モジュール性、および適応性を高めます。
私たちのアプローチは、低レベルの動きを複製することを学び、部分的なデモンストレーションを一貫性のある容易な全体的なポリシーに組み合わせることの両方をすぐに得ることができます。

要約(オリジナル)

Interpretable policy representations like Behavior Trees (BTs) and Dynamic Motion Primitives (DMPs) enable robot skill transfer from human demonstrations, but each faces limitations: BTs require expert-crafted low-level actions, while DMPs lack high-level task logic. We address these limitations by integrating DMP controllers into a BT framework, jointly learning the BT structure and DMP actions from single demonstrations, thereby removing the need for predefined actions. Additionally, by combining BT decision logic with DMP motion generation, our method enhances policy interpretability, modularity, and adaptability for autonomous systems. Our approach readily affords both learning to replicate low-level motions and combining partial demonstrations into a coherent and easy-to-modify overall policy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google