Nov, 2023

约束方程学习网络用于保持精度的机器人技能外推

PDF
TL;DRConstrained Equation Learner Networks 提出了一种新的受限回归学习框架，用于编程演示中的轨迹适应问题，通过学习一组分析表达式作为基函数，利用它们来最小化与训练数据的偏差，同时满足所需的适应性约束来解决轨迹适应问题，通过在仿真实验和实际机器人任务中的比较，实验证明该方法相对于现有方法能够提高机器人技能的泛化性和适应性。
programming by demonstrationconstrained equation learner networkstrajectory adaptation problemadaptation of robotic trajectoriesgeneralization and adaptability of robotic skills
发现论文，激发创造
  • 外推和学习方程

    该研究提出了一种名为等式学习器（EQL）的新型函数学习网络，可以学习解析表达式，并能够外推到未知的领域。通过稀疏正则化可以得到简洁明了的可解释表达式，可用于高效的基于梯度的训练。

    Oct, 2016

  • 学习外推和控制方程

    使用浅层神经网络的方法识别数据中的简明方程，并扩展可学习的方程类别以包括除法，并改进学习和模型选择策略以用于挑战性的真实数据。

    Jun, 2018

  • 熟练操纵的约束强化学习

    本文研究了在 24 DOF 机器人手器学习使用约束策略优化来执行对象重定位任务，并发现在学习期间添加约束能确保机器人更快达到目标点，从而使其具有更加稳健和安全的行为能力。

    Jan, 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

  • 从演示中学习限制

    本论文提出了一种通过 hit-and-run 抽样方法，利用任务演示、成本函数以及系统动力学和控制约束知识，学习跨任务共享的未知约束的方法。该方法可以学习系统动力学的不确定性，学习一定量的约束，并且适用于线性和非线性系统的控制。

    Dec, 2018

  • 基于约束的图网络模拟器

    本文介绍了一个基于约束的机器学习模拟框架，使用图神经网络实现约束函数，并通过求解优化问题计算未来预测，可应用于多种具有挑战性的物理领域，提供了传统模拟和数值方法的归纳偏差。

    Dec, 2021

  • 基于课程的通用技能模仿

    本研究提出一种基于课程学习和 MoE 的模仿学习方法，用于从人类多样化的演示中教授机器人控制技能，并在复杂机器人控制任务中显著优于当前最先进的方法。

    Apr, 2023

  • 反向受限强化学习

    研究使用强化学习智能体从行为演示中学习约束以及将其迁移到具有不同形态和奖励功能的新智能体的方法，建立了能够在高维度完全无模型的情况下学习任意 Markovian 约束的框架，并且该方法与之前的工作相比，在离散设置、特定类型约束和环境转移动力学等方面表现更好。

    Nov, 2020

  • 基于可微凸规划的约束元元强化学习用于可调适安全保证

    通过元学习方法，本文研究了在非稳态环境下确保安全性的独特挑战，并采用可微凸规划的连续凸约束策略更新，以实现在受限环境中的元学习和快速任务适应。

    Dec, 2023

  • 用神经投影学习物理约束

    我们提出了一种新的神经网络家族，通过学习基础约束条件来预测物理系统的行为，其中我们的神经投影算子是核心，可以自动有效地发现各种约束条件，并预测不同物理系统的管辖行为。

    Jun, 2020