Arc-Length-Based Warping for Robot Skill Synthesis from Multiple Demonstrations

要約

ロボット工学におけるデモンストレーションからの学習 (LfD) は、同じタスクの複数のデモンストレーションを使用してロボットにスキルを伝達することを目的としています。
これらのデモンストレーションは記録され、一貫したスキル表現を抽出するために処理されます。
このプロセスには通常、ダイナミック タイム ワーピング (DTW) などの技術による時間的な調整が必要です。
この論文では、ロボットの軌道用に特別に設計された空間サンプリング (SS) と呼ばれる新しいアルゴリズムを紹介します。このアルゴリズムは、信号の弧長パラメーター化を提供することで、時間に依存しない軌道の位置合わせを可能にします。
このアプローチにより、時間的な調整の必要性がなくなり、スキル表現の精度と堅牢性が向上します。
具体的には、実証された軌道に大きな時間のずれがあると、最終的な軌道の合成に不確実性が生じる可能性があるが、弧長領域での位置合わせにより、さまざまな最先端の時間ベースの信号と比較して、この不確実性を大幅に低減できることを示します。
アライメントアルゴリズム。
この目的を達成するために、私たちは現実世界の軌道をテストするために、ロボット記録のカスタム公開データセットを構築しました。

要約(オリジナル)

In robotics, Learning from Demonstration (LfD) aims to transfer skills to robots by using multiple demonstrations of the same task. These demonstrations are recorded and processed to extract a consistent skill representation. This process typically requires temporal alignment through techniques such as Dynamic Time Warping (DTW). In this paper, we introduce a novel algorithm, named Spatial Sampling (SS), specifically designed for robot trajectories, that enables time-independent alignment of the trajectories by providing an arc-length parametrization of the signals. This approach eliminates the need for temporal alignment, enhancing the accuracy and robustness of skill representation. Specifically, we show that large time shifts in the demonstrated trajectories can introduce uncertainties in the synthesis of the final trajectory, which alignment in the arc-length domain can drastically reduce, in comparison with various state-of-the-art time-based signal alignment algorithms. To this end, we built a custom publicly available dataset of robot recordings to test real-world trajectories.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google