Aufgabenparametrisiertes Lernen
Aufgabenparametrisiertes Lernen kodiert Demonstrationen relativ zu mehreren Koordinatenrahmen oder Aufgabenparametern (z. B. die Pose des Objekts, eine Zielposition, ein Hindernis-Rahmen) statt in einem festen Weltraum-Rahmen. Bei der Ausführung passt sich die Kontrollpolitik automatisch an neue Objekt- und Zielkonfigurationen an, ohne neu trainiert zu werden, da sie Bewegungen relativ zu aufgabenrelevanten Referenzen gelernt hat. Aufgabenparametrisierte Gaußsche Mischungsmodelle (TP-GMM) und kernelisierte Bewegungsprimitiva sind klassische Implementierungen. Dieser Ansatz bietet starke geometrische Generalisierung für strukturierte Pick-and-Place-Aufgaben, erfordert aber, dass Aufgaben-Rahmen zur Laufzeit identifiziert und verfolgt werden. Sehen Sie dies in der Praxis: unser Datenerfassungsservice →