リーマン多様体上のデモンストレーション学習：ニューラルODEを用いた拡張アブストラクト
Learning from Demonstrations over Riemannian Manifolds using Neural ODEs: An Extended Abstract
ロボットの状態（特に姿勢）が曲がった空間で変化することを考慮し、リーマン多様体上でデモンストレーションから学習する手法を提案。測地線をニューラル常微分方程式で数値推定し、計算コストを削減する。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Diana Cuervo Espinosa, Mahathi Anand, Angela P. Schoellig
分類: cs.RO
原文アブストラクト
Learning from demonstratins (LfD) is usually performed over Euclidean spaces, while the robot state, e.g. orientation, naturally evolves over curved spaces. Therefore, to ensure natural, complex motion generation, we investigate learning from demonstrations over Riemannian manifolds that are capable of encoding both position and orientation data. Here, geodesic paths provide for natural motion between two arbitrary points within the manifold. We propose to numerically estimate geodesics via neural ordinary differential equations, mitigating large computational overhead of existing approaches. Finally, these geodesics can be decoded back into the original task space before deploying on the robot. In this extended abstract, we discuss the architecture of our framework, provide some initial insights from our simulation experiments, including comparison to other geodesic computation mechanisms, and discuss the challenges and prospects for future work.
