معرفی فریمورک MoMo: تنظیم حالت حرکت در دستکاری رباتیک با توکنسازی مکانمند-زمانمند اقدام
رباتها برای عملکرد مؤثر در محیطهای گوناگون، نهتنها باید وظایف دستکاری (Manipulation) را بهدقت انجام دهند، بلکه باید نحوه اجرای حرکات خود را با شرایط وظیفه، جسم و محیط تعامل تطبیق دهند.
پژوهشگران این پرسش را مطرح میکنند که آیا این تغییرات در سطح اجرا را میتوان بهعنوان یک فاکتور رفتاری قابل بازاستفاده و مشترک میان وظایف مختلف یاد گرفت یا خیر.
در همین راستا، فریمورک MoMo معرفی شده است؛ یک چارچوب یادگیری تقلیدی (Imitation Learning) دو مرحلهای که از یک توکنساز مکانمند-زمانمند اقدام (Spatiotemporal Action Tokenizer) و یک ترنسفورمر کلونسازی رفتار (Behavior-Cloning Transformer) تشکیل شده است. این ترنسفورمر، نوع وظیفه و شرط حالت حرکت پیوسته (Continuous Motion-Mode Condition) را بهعنوان ورودی دریافت میکند.
در بررسیهای انجامشده روی شش وظیفه دستکاری با ربات واقعی، تغییر این شرط منجر به ایجاد نتایج یکنواخت و پایدار گردیده است…