基于逆优化的专家演示控制任务约束推断
Constraint Inference in Control Tasks from Expert Demonstrations via Inverse Optimization
AI总结：
本文提出一种基于逆优化的方法，通过交替优化最小化KKT残差，从专家演示中推断控制任务中的仿射约束，在保持安全性的同时获得比基线方法更少保守的约束。
摘要：
在许多机器人应用中，推断未知约束是一个具有挑战性且至关重要的问题。当只有专家演示可用时，推断未知的领域约束对于有效部署额外的智能体变得必不可少。在这项工作中，我们提出了一种在观察专家演示后推断控制任务中仿射约束的方法。我们将约束推断问题表述为一个逆优化问题，并提出了一种交替优化方案，通过最小化KKT残差目标来推断未知约束。我们在多个仿真中证明了我们方法的有效性，并表明与最近的基线方法相比，我们的方法可以推断出更少保守的约束，同时保持可比的安全保证。
英文摘要：
Inferring unknown constraints is a challenging and crucial problem in many robotics applications. When only expert demonstrations are available, it becomes essential to infer the unknown domain constraints to deploy additional agents effectively. In this work, we propose an approach to infer affine constraints in control tasks after observing expert demonstrations. We formulate the constraint inference problem as an inverse optimization problem, and we propose an alternating optimization scheme that infers the unknown constraints by minimizing a KKT residual objective. We demonstrate the effectiveness of our method in a number of simulations, and show that our method can infer less conservative constraints than a recent baseline method, while maintaining comparable safety guarantees.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
