Learning State Conditioned Linear Mappings for Low-Dimensional Control of Robotic Manipulators

要約

制御ソリューションを簡素化する適切なタスク空間を特定することは、ロボット操作の問題を解決するために重要です。
この問題に対する 1 つのアプローチは、適切な低次元のアクション空間を学習することです。
線形および非線形アクション マッピング手法には、一方では単純性、もう一方では単一の低次元部分空間の外でモーター コマンドを表現できる能力との間にトレードオフがあります。
ロボットの現在の構成に基づいて適応するローカル線形アクション表現を学習することで、これらの利点の両方が得られると提案します。
私たちの状態条件付き線形マップは、特定の状態において、高次元のロボットの作動が低次元の動作において線形であることを保証します。
ロボットの状態が進化するにつれて、アクション マッピングも進化し、すぐに必要なモーションを表現できるようになります。
これらの局所線形表現は、設計により望ましい理論的特性を保証しており、これらの発見を 2 つのユーザー調査を通じて経験的に検証しています。
結果は、状態条件付き線形マップがピック アンド プレイス タスクでは条件付きオートエンコーダーや PCA ベースラインよりも優れたパフォーマンスを示し、より複雑な注湯タスクではモード切り替えと同等のパフォーマンスを発揮することを示唆しています。

要約(オリジナル)

Identifying an appropriate task space that simplifies control solutions is important for solving robotic manipulation problems. One approach to this problem is learning an appropriate low-dimensional action space. Linear and nonlinear action mapping methods have trade-offs between simplicity on the one hand and the ability to express motor commands outside of a single low-dimensional subspace on the other. We propose that learning local linear action representations that adapt based on the current configuration of the robot achieves both of these benefits. Our state-conditioned linear maps ensure that for any given state, the high-dimensional robotic actuations are linear in the low-dimensional action. As the robot state evolves, so do the action mappings, ensuring the ability to represent motions that are immediately necessary. These local linear representations guarantee desirable theoretical properties by design, and we validate these findings empirically through two user studies. Results suggest state-conditioned linear maps outperform conditional autoencoder and PCA baselines on a pick-and-place task and perform comparably to mode switching in a more complex pouring task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google