May, 2020

欧几里得流形变换：用于学习稳定动力系统的微分同胚约简

PDF
TL;DR通过利用人类运动的规律性属性（例如稳定性、平滑性和有界性），将复杂运动编码为稳定动力系统的展开，进而提出一种通过有限的人类演示来学习这类运动的方法，并通过验证在已建立的基准测试和在现实世界的机器人系统上的演示进行论证。
发现论文，激发创造
  • 流形上的学习：利用几何可控条件的神经 ODE 通用逼近性质

    本文研究了一类神经常微分方程，通过设计这类方程在光滑流形上，使其可以应用于机械系统等领域中。作者利用控制可比性的性质来表征了这类方程的特性，并且使用 PyTorch 对动力系统的几何模型 S2 和三维正交群 SO (3) 进行了数值实验，验证了其优于常规神经常微分方程的性能。

    May, 2023

  • 使用动态系统学习约束运动规划的障碍函数

    本文提出了一种基于人类示范学习的方法，从学习到的工作空间约束中生成机器人的动作轨迹，并采用学习到的约束子空间作为解零障碍函数，结合原始系统动力学效果来设计控制输入，以保持系统轨迹位于学习到的边界内。在真实机器人上的实验结果表明了该方法的有效性。

    Mar, 2020

  • 流形上的神经常微分方程

    本研究探讨如何使用向量场在光滑流形上进行参数化，以及如何进行梯度学习来实现基于神经 ODE 的流规范化方法。

    Jun, 2020

  • 流形增强的伊可纳方程：不同 iable 流形上的测地距离和流动

    机器学习模型发现的流形提供了底层数据的紧凑表示。这项工作提出了一种基于模型的距离场和流形上的测地线流的参数化方法，利用流形增强 Eikonal 方程的解。我们展示了流形的几何对距离场的影响，并利用测地线流直接获得全局长度最小曲线。这项工作为可微流形上的统计和降阶建模开辟了机会。

    Oct, 2023

  • 学习动力学系统，在空间曲率内编码非线性

    本文介绍了一种增强学习的动力系统方法，通过在潜在流形上建模震荡阻尼振子，将动力系统的非线性编码到空间曲率中，从而实现在线环境的本地自适应和障碍物避免，并展示了在合成矢量场和实际世界中学习 3D 机器人末端执行器运动的有效性。

    Mar, 2024

  • 学习轨道稳定系统以图示方式教学

    该研究介绍了一种名为 "图解教学" 的机器人获得新技能的范式，通过用户在场景图像上提供二维示意图来控制机器人的运动，并通过应用一种可微分且可逆函数（diffeomorphism）优化模型，实现对机器人运动的精确控制。实验证明，在模拟和实体机器人上，图解教学系统能够准确地教授复杂的循环运动模式。

    Sep, 2023

  • 通过弹性动态系统运动策略实现具有稳定性保证的任务泛化

    弹性动态系统（Elastic-DS）是一种新颖的基于动态系统的学习与泛化方法，将任务参数嵌入到基于高斯混合模型（GMM）和线性参数变化（LPV）动态系统的公式中，并通过弹性高斯混合模型与 Laplacian Editing 的转换重新估计 LPV-DS 策略。该方法在多个模拟和真实机器人实验中展示了其强大能力，并保留了合理的控制理论保证。

    Sep, 2023

  • 学习的李群上的反应式运动生成

    本文从 Riemann 流形的角度研究了机器人运动学习范式，并探讨了通过人类示范学习获得 Riemann 流形以及通过利用考虑障碍物的周围度量重新塑造学习的流形来促进末端点 / 多肢体避障的技术。通过 7 自由度机器人操作机械臂展示了学习和生成基于复杂运动模式的运动技能的能力，并评估了多种障碍物避开策略和在多种模式下生成轨迹。

    Mar, 2022

  • 学习稳定 Koopman 算子的微分同胚方法

    本研究提出了 Koopmanizing Flows 方法，它是一种新的连续时间框架，用于监督学习一类非线性动力学的线性预测器，可有效地解决寻找有意义的有限维表示以进行预测的问题，并在 LASA 手写字体基准测试中展示出卓越的功效。

    Dec, 2021

  • 通用流程作为可扩展机器人学习的基础支持

    提出了一种基于预测流的机器人学习方法，能够实现在现实场景中稳定且高效的技能转移，涵盖了现实环境中的多个目标类别，通过利用大规模数据集实现了可扩展的普适机器人学习。

    Jan, 2024