Donghun Noh, Deqian Kong, Minglu Zhao, Andrew Lizarraga, Jianwen Xie, Ying Nian Wu, Dennis Hong
개요
본 논문은 동적 비접촉 조작(예: 상자 잡기)을 위한 잠재 변수 기반 정책인 잠재 적응형 플래너(LAP)를 제시합니다. LAP는 저차원 잠재 공간에서 추론으로 계획을 수립하며, 사람의 시범 영상으로 효과적으로 학습됩니다. 실행 중에 LAP는 잠재 계획에 대한 사후 확률을 유지하고 새로운 관측치가 도착함에 따라 변분 재계획을 수행하여 실시간 적응을 달성합니다. 사람과 로봇 간의 구현 차이를 해소하기 위해, 사람의 시범에서 정확한 운동역학적 관절 상태와 물체 위치를 재생성하는 모델 기반 비례 매핑을 도입합니다. 다양한 물체 속성을 가진 어려운 상자 잡기 실험을 통해 LAP는 사람과 유사한 순응 동작과 적응적 행동을 학습하여 우수한 성공률, 궤적 부드러움 및 에너지 효율을 보여줍니다. 전반적으로 LAP는 실시간 적응을 통한 동적 조작을 가능하게 하고 동일한 사람의 시범 영상을 사용하여 이기종 로봇 플랫폼 간에 성공적으로 전이됩니다.
시사점, 한계점
•
시사점:
◦
저차원 잠재 공간에서의 추론 기반 계획으로 실시간 적응 및 효율적인 동적 비접촉 조작 가능
◦
사람의 시범 영상을 통한 효과적인 학습 및 이기종 로봇 플랫폼 간 전이 가능
◦
모델 기반 비례 매핑을 통해 사람과 로봇 간의 구현 차이 해소
◦
사람과 유사한 순응 동작 및 적응적 행동 학습으로 우수한 성능 달성 (성공률, 궤적 부드러움, 에너지 효율)
