En el ámbito de la robótica, la demanda de habilidades adaptables que puedan manejar con eficacia situaciones diversas ha sustituido a la dependencia de tareas repetitivas. Para mejorar la generalización de las políticas de movimiento, el aprendizaje basado en parámetros de tareas se ha revelado como un enfoque valioso, ya que codifica la información contextual pertinente en los parámetros de las tareas, facilitando su ejecución flexible. Sin embargo, el proceso de entrenamiento convencional de este tipo de políticas requiere la recopilación de múltiples demostraciones en diversas situaciones. La creación de una amplia gama de situaciones diversas resulta difícil, lo que limita la aplicabilidad del método a los problemas del mundo real. Por lo tanto, la búsqueda de formación con menos demostraciones/situaciones se convierte en algo muy deseable. En este artículo, introducimos un concepto innovador que enriquece el conjunto de datos de entrenamiento original con datos sintéticos, permitiendo así mejoras significativas en el aprendizaje de políticas. En consecuencia, este novedoso enfoque potencia la adquisición de habilidades parametrizadas por tareas con un número limitado de demostraciones, allanando el camino para una mayor practicidad. El resultado final de este trabajo es la presentación de una aplicación real en el ámbito de la ayuda a personas dependientes. Para ello, se han realizado pruebas para la tarea de barrido de un área por parte de nuestro robot manipulador ADAM, a través de unas pocas demostraciones captadas por un demostrador humano.
Este proyecto ha sido realizado por Adrián Prados , del RoboticsLab de la Universidad Carlos III de Madrid.
6 июл 2024
