ترجمه فارسی مقاله یادگیری محدودیت بدون برچسب مثبت (PUCL) برای استنتاج توابع محدودیت پیوسته غیرخطی از نمایش‌های تخصصی

چکیده

Planning for a wide range of real-world robotic tasks necessitates to know and write all constraints. However, instances exist where these constraints are either unknown or challenging to specify accurately. A possible solution is to infer the unknown constraints from expert demonstration. This paper presents a novel Positive-Unlabeled Constraint Learning (PUCL) algorithm to infer a continuous arbitrary constraint function from demonstration, without requiring prior knowledge of the true constraint parameterization or environmental model as existing works. Within our framework, we treat all data in demonstrations as positive (feasible) data, and learn a control policy to generate potentially infeasible trajectories, which serve as unlabeled data. In each iteration, we first update the policy and then a two-step positive-unlabeled learning procedure is applied, where it first identifies reliable infeasible data using a distance metric, and secondly learns a binary feasibility classifier (i.e., constraint function) from the feasible demonstrations and reliable infeasible data. The proposed framework is flexible to learn complex-shaped constraint boundary and will not mistakenly classify demonstrations as infeasible as previous methods. The effectiveness of the proposed method is verified in three robotic tasks, using a networked policy or a dynamical system policy. It successfully infers and transfers the continuous nonlinear constraints and outperforms other baseline methods in terms of constraint accuracy and policy safety.

چکیده به فارسی (ترجمه ماشینی)

برنامه ریزی برای طیف گسترده ای از کارهای روباتیک در دنیای واقعی نیاز به دانستن و نوشتن همه محدودیت ها دارد.با این حال ، مواردی وجود دارد که این محدودیت ها ناشناخته یا چالش برانگیز هستند تا به طور دقیق مشخص شوند.یک راه حل ممکن برای استنباط محدودیت های ناشناخته از تظاهرات متخصص است.در این مقاله یک الگوریتم یادگیری محدودیت با محدودیت مثبت (PUCL) جدید ارائه شده است تا یک عملکرد محدودیت دلخواه مداوم از نمایش را استنباط کند ، بدون اینکه نیاز به دانش قبلی در مورد پارامتر سازی محدودیت واقعی یا الگوی محیط زیست به عنوان کارهای موجود داشته باشد.در چارچوب ما ، ما با تمام داده ها در تظاهرات به عنوان داده های مثبت (امکان پذیر) رفتار می کنیم و یک خط مشی کنترل را برای تولید مسیرهای بالقوه غیرقابل نفوذ ، که به عنوان داده های بدون برچسب خدمت می کنند ، می آموزیم.در هر تکرار ، ابتدا خط مشی را به روز می کنیم و سپس یک روش یادگیری بدون برچسب مثبت دو مرحله ای اعمال می شود ، جایی که ابتدا داده های قابل اعتماد قابل اعتماد را با استفاده از یک متریک از راه دور شناسایی می کند و دوم یک طبقه بندی کننده امکان سنجی باینری (یعنی عملکرد محدودیت) را از آنها می آموزد.تظاهرات امکان پذیر و داده های غیرقابل اطمینان قابل اعتماد.چارچوب پیشنهادی برای یادگیری مرز محدودیت به شکل پیچیده انعطاف پذیر است و به اشتباه تظاهرات را به عنوان روشهای قبلی غیر ممکن طبقه بندی نمی کند.اثربخشی روش پیشنهادی در سه کار روباتیک ، با استفاده از یک خط مشی شبکه یا یک خط مشی سیستم دینامیکی تأیید شده است.این با موفقیت محدودیت های مداوم غیرخطی را تحت الشعاع و انتقال قرار می دهد و از سایر روشهای پایه از نظر دقت محدودیت و ایمنی سیاست بهتر عمل می کند.