Learning Multiple Behaviors from Unlabeled Demonstrations in a Latent Controller Space
Learning Multiple Behaviors from Unlabeled Demonstrations in a Latent Controller Space
复制标题
从潜在控制器空间中的未标记演示中学习多种行为
DOI：
--
复制
发表时间：
2013
期刊：
影响因子：
--
通讯作者：
M. Lopes
中科院分区：
文献类型：
--
作者：
Javier Almingol;L. Montesano;M. Lopes
在本文中，我们介绍了一种从未标记的数据集中以运动原语形式学习多种行为的方法。这个问题的困难之一是，在测量空间中，行为可能非常混合，尽管存在可以轻松分离行为的潜在表示。我们提出了一种基于狄利克雷过程 (DP) 的混合模型，以同时对观察到的时间序列进行聚类，并使用拉普拉斯先验作为 DP 的基本度量来恢复行为的稀疏表示。我们表明，对于线性模型，例如由大量特征的线性组合生成的潜在函数，可以分析计算观测值的边际并导出有效的采样器。该方法使用机器人行为和人体运动的真实数据进行评估，并与其他技术进行比较。
In this paper we introduce a method to learn multiple behaviors in the form of motor primitives from an unlabeled dataset. One of the difficulties of this problem is that in the measurement space, behaviors can be very mixed, despite existing a latent representation where they can be easily separated. We propose a mixture model based on a Dirichlet Process (DP) to simultaneously cluster the observed time-series and recover a sparse representation of the behaviors using a Laplacian prior as the base measure of the DP. We show that for linear models, e.g potential functions generated by linear combinations of a large number of features, it is possible to compute analytically the marginal of the observations and derive an efficient sampler. The method is evaluated using robot behaviors and real data from human motion and compared to other techniques.