ロボット適応性の向上:教師なし軌道セグメンテーションと条件付きProMPの統合による動的学習環境への対応
Enhancing Robotic Adaptability: Integrating Unsupervised Trajectory Segmentation and Conditional ProMPs for Dynamic Learning Environments
自動エンコーダとRNNを組み合わせて連続動作データから重要な遷移点を教師なしで抽出し、条件付き確率的動作プリミティブ(ProMP)で軌道を動的に調整する枠組みを提案。ラベル付きデータへの依存を減らしつつ、動的環境下でのロボット動作の柔軟性と精度を向上させる。
著者: Tianci Gao
分類: cs.RO, cs.SY, eess.SY
原文アブストラクト
We propose a novel framework for enhancing robotic adaptability and learning efficiency, which integrates unsupervised trajectory segmentation with adaptive probabilistic movement primitives (ProMPs). By employing a cutting-edge deep learning architecture that combines autoencoders and Recurrent Neural Networks (RNNs), our approach autonomously pinpoints critical transitional points in continuous, unlabeled motion data, thus significantly reducing dependence on extensively labeled datasets. This innovative method dynamically adjusts motion trajectories using conditional variables, significantly enhancing the flexibility and accuracy of robotic actions under dynamic conditions while also reducing the computational overhead associated with traditional robotic programming methods. Our experimental validation demonstrates superior learning efficiency and adaptability compared to existing techniques, paving the way for advanced applications in industrial and service robotics.
関連論文
- 物体中心ニューラル場を用いたデモからの合成的動作生成模倣学習/動作生成
- X-Morph: 異なる形態のロボット学習をスケールするための人間動作事前分布模倣学習/動作生成
- 位相可変ニューラルポテンシャル関数によるリアクティブ動作生成模倣学習/動作生成
