摘要 - 从人类技能获取的机制中汲取灵感,模仿学习表现出了非凡的表现。近年来,基于模型的模仿学习与机器学习和控制理论相结合,并完整地开发并适应了非结构化的环境。但是,双臂任务的大多数结果都集中在相对安全和稳定的环境上,这些环境仍然缺乏强大的概括技能。在这项工作中,我们为双臂移动任务提出了一个新颖的健壮模仿学习框架。在演示期间,我们提出了一种共同的远程操作策略,该策略积极帮助操作员远程执行双臂任务,旨在减少操作困难和压力。在建模和概括期间,我们提出了一个耦合的线性参数变化的动力学系统(CLPV-DS),该参数具有保护和恢复状态免受环境中可能干扰的能力,同时保持良好的跟踪准确性和稳定性。为了解决由干扰引起的盒装滑动的风险,我们进一步引入了相互的以下策略,使手臂能够合适地跟随彼此,同时保持适当的接触力。考虑到复杂的概括环境中的潜在障碍,我们实时引入了一种反应性障碍策略,以确保全球渐近稳定性。最后,我们通过在2D模拟和实体机器人实验中的全面测试来验证了所提出的框架的有效性。
Ruben Schep, 1 , 2 Eva K. Brinkman, 1 , 2 , 7 Christ Leemans, 1 , 2 Xabier Vergara, 1 , 2 , 3 Robin H. van der Weide, 1 , 2 Ben Morris, 4 , 5 Tom van Schaik, 1 , 2 Stefano G. Manzo, 1 , 2 Daniel Peric-Hupkes, 1 , 2 Jeroen van den Berg, 1 , 3 Roderick L. Beijersbergen, 4 , 5 Rene´ H. Medema, 1 , 3 和 Bas van Steensel 1 , 2 , 6 , 8 , * 1 Oncode 研究所, 荷兰癌症研究所, 1066 CX, 阿姆斯特丹, 荷兰 2 基因调控部, 荷兰癌症研究所, 1066 CX, 阿姆斯特丹, 荷兰3 荷兰癌症研究所细胞生物学部, 1066 CX,阿姆斯特丹,荷兰 4 荷兰癌症研究所分子致癌作用部,1066 CX,阿姆斯特丹,荷兰 5 荷兰癌症研究所机器人筛查中心,1066 CX,阿姆斯特丹,荷兰 6 伊拉斯姆斯大学医学中心细胞生物学系,3015 CN,鹿特丹,荷兰 7 现地址:SciLifeLab,卡罗琳斯卡医学院微生物学、肿瘤和细胞生物学系,Box 1031,171 21 Solna,斯德哥尔摩,瑞典 8 主要联系人*通信地址:bvsteensel@nki.nl https://doi.org/10.1016/j.molcel.2021.03.032
。CC-BY-NC-ND 4.0 国际许可,根据 未经同行评审认证)是作者/资助者,他已授予 bioRxiv 永久展示预印本的许可。它是 由 此预印本的版权持有者(此版本于 2020 年 5 月 5 日发布。 ; https://doi.org/10.1101/2020.05.05.078436 doi: bioRxiv preprint