Statistisches Lernen durch Imitation konkurrierender Einschränkungen im gemeinsamen Raum und Aufgabenspektrum

Wir präsentieren eine probabilistische Architektur zur generischen Lösung des Problems der Extraktion der Aufgabenbeschränkungen durch ein Programmieren durch Demonstration-Framework und zur Generalisierung des erworbenen Wissens auf verschiedene Situationen. In früheren Arbeiten haben wir einen Ansatz auf Basis der Gaußschen Mischregression vorgeschlagen, um einen Controller für den Roboter zu finden, der die statistischen Eigenschaften einer Bewegung im Gelenkwaum und im Aufgabenspektrum durch Lagrange-Optimierung reproduziert. In diesem Papier entwickeln wir ein alternatives Verfahren, um Einschränkungen im Gelenkraum und im Aufgabenraum gleichzeitig zu behandeln, indem wir die probabilistische Darstellung der Aufgabenbeschränkungen direkt mit einer Lösung für die jacobische inverse Kinematik kombinieren. Die Methode wird in Manipulationsaufgaben mit zwei 5-DOF Katana-Robotern, die eine Menge von Objekten bewegen, validiert.