Automatic Derivation of an Optimal Task Frame for Learning and Controlling Contact-Rich Tasks

本研究探讨了针对接触丰富任务的演示学习（LfD）。选择表达运动和交互力矩学习信号的任务框架的过程通常被省略或使用专家洞察力。本文提出了一种从演示期间记录的运动和力矩数据中推导出最优任务框架的过程。该过程基于两个假设，这些假设被认为是支撑专家所针对的控制配置的基础，并假定任务框架的起源和方向固定在世界或机器人工具上。它根植于螺旋理论，完全是概率性的，不涉及任何超参数。通过演示多项任务，包括表面跟踪和关节物体操作，验证了该过程，显示出获得的和假定的专家任务框架之间的良好一致性。为了验证UR10e机器人学习任务的性能，基于推导出的任务框架和其中表达的学习数据，设计了一种基于约束的控制器。这些实验显示了所提出方法的有效性和多功能性。任务框架推导方法填补了LfD领域的空白，将LfD应用于接触丰富任务更加接近实际应用。

本论文旨在解决学习接触丰富任务时选择任务框架的问题。作者提出了一种从运动和交互力矩数据中推导出最优任务框架的方法。

本文基于螺旋理论提出了一个完全概率的过程，不涉及任何超参数，可以推导出最优任务框架。该方法可以填补现有学习从演示（LfD）研究中的空白，使得LfD在接触丰富任务中更加实用。

本文的亮点包括：提出了一种从运动和交互力矩数据中推导出最优任务框架的方法；通过多个任务的演示验证了该方法的有效性和多功能性；设计了基于约束的控制器来验证学习任务的性能；实验结果表明了该方法的实用性和效果。同时，本文还提供了数据集和代码。

最近的相关研究包括：基于深度学习的LfD方法、基于优化的LfD方法、基于物理模型的LfD方法等。相关论文包括：《Learning from Demonstration with Deep Neural Networks in Healthcare: A Survey》、《Optimization-Based Learning from Demonstrations for Manipulation》、《A Physics-Based Approach to LfD for Robotic Manipulation》等。