يمكن تأطير العديد من المشكلات الأساسية في علم الروبوتات كمشكلات تحسين مقيدة. غالبًا ما يكون لدى النظام الروبوتي حالة من عدم اليقين، أو سيكون من المفيد تحديد حلول متعددة قابلة للتطبيق عالية الجودة. لتمكين ذلك، نقدم إطارين جديدين لتطبيق مبادئ تحسين المقيد على خوارزمية الاستنتاج التوزيعي الجديدة، وهي تدرج الانحدار التوزيعي لستين. دعم إطارنا العام أنواعًا متعددة من المحسنات المقيدة ويمكنه التعامل مع قيود تعسفية. نوضح من خلال مجموعة متنوعة من المشكلات أننا قادرون على تعلم تقريبات التوزيعات دون انتهاك القيود. بشكل محدد، نظهر أننا نستطيع بناء توزيعات لـ: خطط حركة الروبوت التي تتجنب الاصطدامات بدقة، وزوايا مفاصل ذراع الروبوت على متعدد SE(3) مع قيود دقيقة لوضع الطاولة، وأوضاع الأجسام من سحب النقاط مع قيود وضع الطاولة.
درس تابور وآخرون (السبت) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: