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

PDF
TL;DR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。
dynamical systemlearning from demonstrationgeneralizationgaussian mixture modellinear parameter varying
发现论文，激发创造
  • 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

  • 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

    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。

    May, 2020

  • 学习神经压缩动力学：扩展线性化与全局保证

    通过数据空间和潜空间之间的微分同胚训练，强制潜空间内的收缩性，从而确保了数据空间内的全局收缩性。

    Feb, 2024

  • 学习线性动力系统混合模型

    研究了从未标记的短样本轨迹中学习多个线性动态系统（LDS）混合模型的问题，并开发了二阶段元算法，其执行效果得到了验证。

    Jan, 2022

  • 使用本地动态模型的视觉预测

    本文介绍了一种通过 Local Dynamics Model 和无模型策略学习相结合的方式有效地学习状态转移函数从而能够解决一步先见规划的复杂操纵任务的方法，并在模拟中展示了本方法的优越性。

    Jun, 2022

  • 一个可微的牛顿欧拉算法用于多体模型学习

    本文介绍一种可用于多体机器人动力学的混合模型，采用计算图架构将牛顿欧拉方程体现出来，实现动态几何转化为有效的计算结构，结合灰盒架构进行系统参数辨识。同时，将动力学参数和运动学参数进行联合建模，与黑盒组件相结合取得了较好效果。

    Oct, 2020

  • 制作一个甜甜圈：零样本变形物体操作的语言引导层次 EMD 空间规划

    这项研究介绍了一种无需演示的层次规划方法，能够处理复杂的长期任务，并展示了在面对新颖和以前未遇到的复杂任务时，模型具备强大的泛化能力。

    Nov, 2023

  • 机器人运动生成与调整的导引解码

    我们通过集成演示学习（LfD）到运动生成过程中，在复杂环境中（包括障碍物、通过点等）解决了高自由度机械臂的运动生成问题。我们通过在大规模模拟轨迹数据集上训练一个基于条件变分自动编码器变压器的结构，学习了关键的运动生成技能，并将其适应辅助任务和约束条件。我们的自回归方法实现了来自物理系统的实时反馈整合，增强了运动生成的适应性和效率。我们表明，我们的模型可以从初始点和目标点生成运动，同时也能够适应复杂任务的轨迹规划，包括障碍物避让、通过点和速度、加速度限制，在多种平台上实现。

    Mar, 2024

  • 部分可观测环境下自主智能体复杂任务的无模型运动规划

    该研究使用无模型强化学习方法解决了部分已知环境下自主智能体的运动规划问题，提出了一种基于线性时态逻辑和 Markov 决策过程的方法，并应用于无人机的实际控制中。

    Apr, 2023

  • 动态小批量随机梯度下降算法用于弹性分布式训练：在资源极限中的学习

    通过动态调度不同的分布式深度学习任务，以最大化资源利用和减少成本，得到我们的 Elastic Distributed Training. 我们提出了一种名为 Dynamic SGD 的方法，可以通过平滑调整学习率来缓解噪声动量估计的影响，在图像分类，目标检测和语义分割等实验中取得了稳定的性能。

    Apr, 2019