Learning Orbitally Stable Systems for Diagrammatically Teaching

要約

ダイアグラマティック ティーチングは、ロボットが新しいスキルを習得するためのパラダイムであり、ユーザーがシーンの画像上に 2D スケッチを提供してロボットの動作を形成します。
この研究では、ロボットに表面に近づき、その上で周期的な動きを追跡するように教えるという問題に取り組みます。この動きの周期は、ロボットのカメラからの画像上にユーザーが用意した 1 つのスケッチによって任意に指定できます。
したがって、私たちは Stable Diffeomorphic Diagrammatic Teaching (SDDT) フレームワークに貢献します。
SDDT は、ユーザーが提供する単一の図スケッチに基づいて安定化することを学習する軌道漸近安定 (O.A.S.) 動的システムとしてロボットの動作をモデル化します。
これは、 \emph{微分同相写像}、つまり微分可能かつ可逆関数を適用して既知の O.A.S. を変形することで実現されます。
システム。
次に、パラメータ化された微分同相写像が、モデル化されたシステムのリミット サイクルとスケッチの間のハウスドルフ距離に関して最適化され、望ましいロボットの動作が生成されます。
私たちは、最適化されたシステムの動作について新しい理論的洞察を提供し、シミュレーションと 6 自由度マニピュレーターを搭載した四足歩行器の両方で SDDT を経験的に評価します。
結果は、複雑な周期運動パターンを高い精度で図的に教えることができることを示しています。

要約(オリジナル)

Diagrammatic Teaching is a paradigm for robots to acquire novel skills, whereby the user provides 2D sketches over images of the scene to shape the robot’s motion. In this work, we tackle the problem of teaching a robot to approach a surface and then follow cyclic motion on it, where the cycle of the motion can be arbitrarily specified by a single user-provided sketch over an image from the robot’s camera. Accordingly, we contribute the Stable Diffeomorphic Diagrammatic Teaching (SDDT) framework. SDDT models the robot’s motion as an Orbitally Asymptotically Stable (O.A.S.) dynamical system that learns to stablize based on a single diagrammatic sketch provided by the user. This is achieved by applying a \emph{diffeomorphism}, i.e. a differentiable and invertible function, to morph a known O.A.S. system. The parameterised diffeomorphism is then optimised with respect to the Hausdorff distance between the limit cycle of our modelled system and the sketch, to produce the desired robot motion. We provide novel theoretical insight into the behaviour of the optimised system and also empirically evaluate SDDT, both in simulation and on a quadruped with a mounted 6-DOF manipulator. Results show that we can diagrammatically teach complex cyclic motion patterns with a high degree of accuracy.

arxiv情報

著者 Weiming Zhi,Tianyi Zhang,Matthew Johnson-Roberson
発行日 2024-03-30 00:11:04+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.RO パーマリンク