Apprendimento per Imitazione Consapevole dell'Incertezza per la Manipolazione Robotica Adattiva

I ricercatori propongono un framework di policy context-adaptive per la manipolazione robotica che combina controllo task-parametrizzato, robusto e reattivo. L'approccio utilizza l'Apprendimento da Dimostrazione (LfD) per acquisire policy condizionate dallo stato del robot e da parametri di task a bassa dimensionalità, affrontando le limitazioni dei metodi esistenti basati su sistemi dinamici che trascurano la modulazione ambientale. Il lavoro si basa su tecniche di fusione di policy e quantificazione dell'incertezza per generare strategie di manipolazione che si adattano alle informazioni di contesto in cambiamento.