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
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
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
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
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
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
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
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
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
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