通过相位变化的神经势函数实现反应性运动生成

《IEEE Robotics and Automation Letters》：Reactive Motion Generation via Phase-varying Neural Potential Functions

　　

摘要：

动态系统（DS）方法用于从示范中学习（LfD），能够通过少量示范生成稳定、连续的控制策略。对于许多点对点和周期性任务，只要每个状态都有唯一的速度定义，一阶动态系统（DS）就非常有效。对于包含交点的任务（例如绘制“8”字形），通常会使用二阶动态或相位变量等扩展方法。然而，由于速度用于确定运动方向，二阶模型在交点附近容易受到干扰的影响。此外，当几乎相同的位置-速度对应不同的运动方向时，这种区分可能会失效。相比之下，基于相位的方法依赖于开环时间或相位变量，这限制了它们在受到干扰后的恢复能力。我们提出了相位变化神经势函数（PNPF），这是一种LfD框架，它将势函数的条件设置为基于从状态变化直接估计出的相位变量，而不是开环时间输入。这种相位变量使系统能够处理状态的重复访问，而学习到的势函数可以生成用于反应性和稳定控制的局部矢量场。PNPF在点对点、周期性和完整的6D运动任务中都能有效泛化，在包含交点的轨迹上优于现有的基线方法，并且在实时机器人操控中表现出强大的鲁棒性，即使在受到外部干扰的情况下也是如此。