从演示中学习高维主动约束
Active Constraint Learning in High Dimensions from Demonstrations
AI总结：
本文提出了一种基于演示的高维主动约束学习算法，通过迭代生成稀疏但有信息量的演示轨迹，提升对未知约束的推断精度。
摘要：
我们提出了一种迭代主动约束学习（ACL）算法，该算法基于学习从演示（LfD）范式，能够智能地请求具有信息量的演示轨迹，以推断出演示者环境中的未知约束。我们的方法迭代地在可用的演示数据集上训练高斯过程（GP），以表示未知约束，利用由此得到的GP后验来查询起始/目标状态，并生成具有信息量的演示，这些演示被添加到数据集中。在使用高维非线性动力学和未知非线性约束的仿真和硬件实验中，我们的方法在准确推断约束方面优于基线的随机采样方法，该方法在从迭代生成的稀疏但有信息量的演示集中进行约束推断时表现更差。
英文摘要：
We present an iterative active constraint learning (ACL) algorithm, within the learning from demonstrations (LfD) paradigm, which intelligently solicits informative demonstration trajectories for inferring an unknown constraint in the demonstrator's environment. Our approach iteratively trains a Gaussian process (GP) on the available demonstration dataset to represent the unknown constraints, uses the resulting GP posterior to query start/goal states, and generates informative demonstrations which are added to the dataset. Across simulation and hardware experiments using high-dimensional nonlinear dynamics and unknown nonlinear constraints, our method outperforms a baseline, random-sampling based method at accurately performing constraint inference from an iteratively generated set of sparse but informative demonstrations.
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。
