Aprendizaje Parametrizado por Tareas
El aprendizaje parametrizado por tareas codifica demostraciones relativas a múltiples marcos de coordenadas o parámetros de tareas (p. ej., la pose del objeto, una ubicación objetivo, un marco de obstáculos) en lugar de en un marco mundial fijo. Durante la ejecución, la política de control se adapta automáticamente a nuevas configuraciones de objeto y objetivo sin reentrenamiento, porque ha aprendido movimiento relativo a referencias relevantes para la tarea. Los Modelos de Mezcla Gaussiana Parametrizados por Tareas (TP-GMM) y las primitivas de movimiento kernelizadas son implementaciones clásicas. Este enfoque proporciona una fuerte generalización geométrica para tareas estructuradas de agarre y colocación, aunque requiere que los marcos de tareas se identifiquen y rastreen en tiempo de ejecución. Véalo en la práctica: nuestro servicio de recopilación de datos →