Learning the Geometric Mechanics of Robot Motion Using Gaussian Mixtures

要約

幾何メカニクスの原理を使用して構築されたロボットモーションのデータ駆動型モデルは、さまざまなロボットのロボットモーションの有用な予測を生成することが示されています。
有用な数のDOFを備えたロボットの場合、これらの幾何学的メカニックモデルは歩行の近くでのみ構築できます。
ここでは、ガウス混合モデル（GMM）を、幾何学的メカニクスの運動マップ」の構造を学習し、以前に公開された方法と比較した場合の予測品質のかなりの改善を実証する多様な学習の形としてどのように使用できるかを示します。
[ii]周期的な歩行データだけでなく、任意のモーションデータセットに適用できるメソッド。
[iii]運動マップが線形であることが知られている場所での外挿を促進するためにデータセットを前処理する方法。
私たちの結果は、データ駆動型の幾何学的運動モデルが役立つかもしれない場所に適用できます。

要約(オリジナル)

Data-driven models of robot motion constructed using principles from Geometric Mechanics have been shown to produce useful predictions of robot motion for a variety of robots. For robots with a useful number of DoF, these geometric mechanics models can only be constructed in the neighborhood of a gait. Here we show how Gaussian Mixture Models (GMM) can be used as a form of manifold learning that learns the structure of the Geometric Mechanics ‘motility map’ and demonstrate: [i] a sizable improvement in prediction quality when compared to the previously published methods; [ii] a method that can be applied to any motion dataset and not only periodic gait data; [iii] a way to pre-process the data-set to facilitate extrapolation in places where the motility map is known to be linear. Our results can be applied anywhere a data-driven geometric motion model might be useful.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google