Task-Parameterized Imitation Learning with Time-Sensitive Constraints

要約

ロボット マニピュレータのプログラミングは、できる限り直観的である必要があります。
それを達成するために、デモンストレーションをほとんど行わずに動作スキルを教えるというパラダイムが近年広く普及しています。
その確率的バージョンでは、トレーニング データの分布によって与えられる不確実性が考慮されます。
ただし、特定の時間における開始ポーズ、経由ポーズ、および終了ポーズの正確な実行が常に保証されるわけではありません。
これにより、技術移転は産業用途に限定されます。
この問題に対処するために、リーマン多様体上の混合ガウス モデル (GMM) を学習するための期待値最大化アルゴリズムの新しい制約付き定式化を提案します。
私たちのアプローチは確率的模倣学習に適用され、タスクパラメータ化を備えた確立された TP-GMM フレームワークにも拡張されます。
これにより、たとえば正確なピック アンド プレイス シナリオなど、定義された実行時間でエンドエフェクターのポーズを規定できます。
確率論的アプローチは、KUKA LBR iiwa ロボットを使用した最先端のデモンストレーションから学習する方法と比較されます。
読者は、https://youtu.be/JMI1YxtN9C0 で利用できる付属のビデオを視聴することをお勧めします。

要約(オリジナル)

Programming a robot manipulator should be as intuitive as possible. To achieve that, the paradigm of teaching motion skills by providing few demonstrations has become widely popular in recent years. Probabilistic versions thereof take into account the uncertainty given by the distribution of the training data. However, precise execution of start-, via-, and end-poses at given times can not always be guaranteed. This limits the technology transfer to industrial application. To address this problem, we propose a novel constrained formulation of the Expectation Maximization algorithm for learning Gaussian Mixture Models (GMM) on Riemannian Manifolds. Our approach applies to probabilistic imitation learning and extends also to the well-established TP-GMM framework with Task-Parameterization. It allows to prescribe end-effector poses at defined execution times, for instance for precise pick & place scenarios. The probabilistic approach is compared with state-of-the-art learning-from-demonstration methods using the KUKA LBR iiwa robot. The reader is encouraged to watch the accompanying video available at https://youtu.be/JMI1YxtN9C0

arxiv情報

提供元, 利用サービス

arxiv.jp, Google