Task-Parameterized Motion Learning With Time-Sensitive Constraints

J. Neal Richter

doi:10.1109/LRA.2025.3611083

Task-Parameterized Motion Learning With Time-Sensitive Constraints

0

PRE

AI

DOI：10.1109/LRA.2025.3611083

原文链接

原文求助

摘要

En 中文

通过演示教授机器人运动技能已变得广受欢迎。然而，在给定时间精确执行起始位姿、中间位姿和终止位姿往往无法得到保证，这限制了该技术向工业应用中的转移。为解决此问题，我们提出了新颖的Constrained Expectation Maximization（CEM）算法，该算法在利用高斯混合模型（GMM）进行学习时，强制执行时间敏感约束（TSC）。我们的方法适用于黎曼流形上的数据，并可扩展至任务参数化场景。我们利用手写数据和利用KUKA LBR iiwa的真实机器人应用，将CEM与当前最先进的方法进行了对比验证。通过在训练过程中施加约束，CEM实现了对演示数据的更优且更高效的复现。

Keyword:

Constrained motion planning

imitation learning

riemannian manifolds

Task-Parameterized Motion Learning With Time-Sensitive Constraints

摘要

期刊

机构

引用论文