One challenge of motion generation using robot learning from demonstration techniques is that human demonstrations follow a distribution with multiple modes for one task query. Previous approaches fail to capture all modes or tend to average modes of the demonstrations and thus generate invalid trajectories. The other difficulty is the small number of demonstrations that cannot cover the entire working space. To overcome this problem, a motion generation model with extrapolation ability is needed. Previous works restrict task queries as local frames and learn representations in local frames. We propose a model to solve both problems. For multiple modes, we suggest to learn local latent representations of motion trajectories with a density estimation method based on real-valued non-volume preserving (RealNVP) transformations that provides a set of powerful, stably invertible, and learnable transformations. To improve the extrapolation ability, we propose to shift the attention of the robot from one local frame to another during the task execution. In experiments, we consider the docking problem used also in previous works where a trajectory has to be generated to connect two dockers without collision. We increase complexity of the task and show that the proposed method outperforms other approaches. In addition, we evaluate the approach in real robot experiments.

中文翻译：

---

学习转移注意力以产生运动

使用来自演示技术的机器人学习来进行运动生成的一个挑战是，人类演示遵循一种任务查询的具有多种模式的分布。先前的方法无法捕获演示的所有模式或趋于平均模式，因此会生成无效的轨迹。另一个困难是少数示威无法覆盖整个工作空间。为了克服这个问题，需要具有外推能力的运动产生模型。先前的工作将任务查询限制为局部框架，并学习局部框架中的表示形式。我们提出了一个模型来解决这两个问题。对于多种模式，我们建议使用基于实值非体积保留（RealNVP）转换的密度估计方法学习运动轨迹的局部潜在表示，该方法提供了一组功能强大，稳定可逆且可学习的转换。为了提高外推能力，我们建议在任务执行过程中将机器人的注意力从一个局部帧转移到另一局部帧。在实验中，我们考虑了先前工作中也使用的对接问题，在该工作中必须生成轨迹以连接两个泊坞窗而不会发生碰撞。我们增加了任务的复杂性，并表明所提出的方法优于其他方法。此外，我们在实际的机器人实验中评估了该方法。我们建议在任务执行过程中将机器人的注意力从一个局部框架转移到另一个局部框架。在实验中，我们考虑了先前工作中也使用的对接问题，在该工作中必须生成轨迹以连接两个泊坞窗而不会发生碰撞。我们增加了任务的复杂性，并表明所提出的方法优于其他方法。此外，我们在实际的机器人实验中评估了该方法。我们建议在任务执行过程中将机器人的注意力从一个局部框架转移到另一个局部框架。在实验中，我们考虑了先前工作中也使用的对接问题，在该工作中必须生成轨迹以连接两个泊坞窗而不会发生碰撞。我们增加了任务的复杂性，并表明所提出的方法优于其他方法。此外，我们在实际的机器人实验中评估了该方法。