論文の概要: Encoding Physical Constraints in Differentiable Newton-Euler Algorithm
- arxiv url: http://arxiv.org/abs/2001.08861v4
- Date: Thu, 8 Oct 2020 09:23:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 05:34:52.228014
- Title: Encoding Physical Constraints in Differentiable Newton-Euler Algorithm
- Title(参考訳): 微分Newton-Eulerアルゴリズムにおける物理制約の符号化
- Authors: Giovanni Sutanto, Austin S. Wang, Yixin Lin, Mustafa Mukadam, Gaurav
S. Sukhatme, Akshara Rai, Franziska Meier
- Abstract要約: 本研究では,学習パラメータに構造を加えることで,学習に物理的な制約を組み込む。
7自由度ロボットアームを用いたリアルタイム逆ダイナミクス制御タスクの評価を行った。
- 参考スコア(独自算出の注目度): 22.882483860087948
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The recursive Newton-Euler Algorithm (RNEA) is a popular technique for
computing the dynamics of robots. RNEA can be framed as a differentiable
computational graph, enabling the dynamics parameters of the robot to be
learned from data via modern auto-differentiation toolboxes. However, the
dynamics parameters learned in this manner can be physically implausible. In
this work, we incorporate physical constraints in the learning by adding
structure to the learned parameters. This results in a framework that can learn
physically plausible dynamics via gradient descent, improving the training
speed as well as generalization of the learned dynamics models. We evaluate our
method on real-time inverse dynamics control tasks on a 7 degree of freedom
robot arm, both in simulation and on the real robot. Our experiments study a
spectrum of structure added to the parameters of the differentiable RNEA
algorithm, and compare their performance and generalization.
- Abstract(参考訳): Recursive Newton-Euler Algorithm (RNEA) はロボットの力学を計算するための一般的な手法である。
rneaは微分可能な計算グラフとしてフレーム化でき、ロボットのダイナミクスパラメータを現代の自己微分ツールボックスを通じてデータから学習することができる。
しかし、この方法で学習した動力学パラメータは物理的に当てはまらない。
本研究では,学習パラメータに構造を加えることで,学習に物理的な制約を組み込む。
これにより、勾配降下を通じて物理的に妥当なダイナミクスを学習し、トレーニング速度の向上と学習ダイナミクスモデルの一般化が可能になる。
本手法は,シミュレーションと実ロボットの両方において,自由度7自由度ロボットアーム上でのリアルタイム逆ダイナミクス制御タスクの評価を行う。
本実験では,微分可能なrneaアルゴリズムのパラメータに加えられた構造のスペクトルを調べ,その性能と一般化を比較した。
関連論文リスト
- DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。
我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文 参考訳(メタデータ) (2023-11-28T18:58:48Z) - Lie Group Forced Variational Integrator Networks for Learning and
Control of Robot Systems [14.748599534387688]
本稿では,Lie群上で制御されたラグランジアンあるいはハミルトン力学を学習できる構造保存型ディープラーニングアーキテクチャを提案する。
リーFVINは、力学が進化するリー群構造と、ハミルトニアン系やラグランジアン系の下にあるシンプレクティック構造の両方を保存している。
論文 参考訳(メタデータ) (2022-11-29T08:14:05Z) - Sample Efficient Dynamics Learning for Symmetrical Legged
Robots:Leveraging Physics Invariance and Geometric Symmetries [14.848950116410231]
本稿では,基礎となるロボットシステムにおける対称性を利用したダイナミクスの学習手法を提案する。
ベクトル空間における全てのデータを表す既存のフレームワークは、ロボットの構造化情報を考えるのに失敗する。
論文 参考訳(メタデータ) (2022-10-13T19:57:46Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳(メタデータ) (2022-09-07T15:15:12Z) - Differentiable Simulation of Soft Multi-body Systems [99.4302215142673]
我々は、Projective Dynamics内でトップダウン行列アセンブリアルゴリズムを開発する。
筋肉,関節トルク,空気圧管によって駆動される軟口蓋体に対して,異なる制御機構を導出する。
論文 参考訳(メタデータ) (2022-05-03T20:03:22Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳(メタデータ) (2022-04-09T22:07:34Z) - Differentiable and Learnable Robot Models [6.988699529097697]
図書館のEmphDifferentiable Robot Modelsは、Pytorchにおけるロボットのキネマティクスと力学の、EmphdifferentiableモデルとEmphlearnableモデルの両方を実装している。
論文 参考訳(メタデータ) (2022-02-22T22:26:36Z) - Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
本稿では, 音素の効率的な微分可能シミュレーション法を提案する。
これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。
提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
論文 参考訳(メタデータ) (2021-09-16T04:48:13Z) - Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。
軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。
NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
論文 参考訳(メタデータ) (2020-12-04T18:59:32Z) - Automatic Differentiation and Continuous Sensitivity Analysis of Rigid
Body Dynamics [15.565726546970678]
剛体力学のための微分可能な物理シミュレータを提案する。
軌道最適化の文脈では、閉ループモデル予測制御アルゴリズムを導入する。
論文 参考訳(メタデータ) (2020-01-22T03:54:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。