An Adaptive Framework for Manipulator Skill Reproduction in Dynamic Environments

要約

不確実で動的な環境におけるロボットのスキルの学習と実行は、困難な作業です。
この論文では、デモンストレーションからの学習（LfD）、環境状態予測、および高レベルの意思決定を組み合わせた適応フレームワークを提案します。
積極的な適応により、環境の変化を予測するのではなく、環境の変化に遅れる事後的な適応の必要性が回避されます。
我々は、軌道形状を将来の状態の予測に継続的に適応させる、新しい LfD 表現である Elastic-Laplacian Trajectory Editing (ELTE) を提案します。
次に、アンセンテッド カルマン フィルター (UKF) と隠れマルコフ モデル (HMM) を使用した高レベルのリアクティブ システムにより、個別の決定セットに基づいて動的環境の現在の状態での安全でない実行が防止されます。
まずシミュレーションで LfD 表現を検証し、次に 36 の実世界のシナリオで脚付きモバイル マニピュレータを使用してフレームワーク全体を実験的に評価します。
環境のさまざまな動的変化の下で、提案されたフレームワークの有効性を示します。
私たちの結果は、提案されたフレームワークが堅牢で安定した適応動作を生成することを示しています。

要約(オリジナル)

Robot skill learning and execution in uncertain and dynamic environments is a challenging task. This paper proposes an adaptive framework that combines Learning from Demonstration (LfD), environment state prediction, and high-level decision making. Proactive adaptation prevents the need for reactive adaptation, which lags behind changes in the environment rather than anticipating them. We propose a novel LfD representation, Elastic-Laplacian Trajectory Editing (ELTE), which continuously adapts the trajectory shape to predictions of future states. Then, a high-level reactive system using an Unscented Kalman Filter (UKF) and Hidden Markov Model (HMM) prevents unsafe execution in the current state of the dynamic environment based on a discrete set of decisions. We first validate our LfD representation in simulation, then experimentally assess the entire framework using a legged mobile manipulator in 36 real-world scenarios. We show the effectiveness of the proposed framework under different dynamic changes in the environment. Our results show that the proposed framework produces robust and stable adaptive behaviors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google