論文の概要: Structured Mechanical Models for Robot Learning and Control
- arxiv url: http://arxiv.org/abs/2004.10301v1
- Date: Tue, 21 Apr 2020 21:12:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 06:48:44.626743
- Title: Structured Mechanical Models for Robot Learning and Control
- Title(参考訳): ロボット学習と制御のための構造化機械モデル
- Authors: Jayesh K. Gupta, Kunal Menda, Zachary Manchester and Mykel J.
Kochenderfer
- Abstract要約: ブラックボックスニューラルネットワークは、データ非効率と、事前知識を組み込むのが困難である。
本稿では,データ効率が高く,事前知識に容易に対応でき,モデルベース制御技術で容易に利用できる構造化機械モデルを提案する。
我々は、限られたデータからより良く一般化し、様々なシミュレートされたロボットドメイン上でより信頼性の高いモデルベースコントローラが得られることを実証した。
- 参考スコア(独自算出の注目度): 38.52004843488286
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Model-based methods are the dominant paradigm for controlling robotic
systems, though their efficacy depends heavily on the accuracy of the model
used. Deep neural networks have been used to learn models of robot dynamics
from data, but they suffer from data-inefficiency and the difficulty to
incorporate prior knowledge. We introduce Structured Mechanical Models, a
flexible model class for mechanical systems that are data-efficient, easily
amenable to prior knowledge, and easily usable with model-based control
techniques. The goal of this work is to demonstrate the benefits of using
Structured Mechanical Models in lieu of black-box neural networks when modeling
robot dynamics. We demonstrate that they generalize better from limited data
and yield more reliable model-based controllers on a variety of simulated
robotic domains.
- Abstract(参考訳): モデルに基づく手法はロボットシステムを制御する主要なパラダイムであるが、その有効性は使用するモデルの精度に大きく依存する。
深層ニューラルネットワークは、データからロボットのダイナミクスのモデルを学ぶために使われてきたが、それらはデータ非効率と事前の知識を組み込むのが困難である。
本稿では,データ効率が高く,事前知識に適応し易く,モデルベースの制御技術で容易に使用可能な機械システムのフレキシブルなモデルクラスである構造化機械モデルを紹介する。
この研究の目的は、ロボットダイナミクスのモデリングにおいて、ブラックボックスニューラルネットワークの代わりに構造化機械モデルを使用することの利点を実証することである。
限られたデータからより一般化し、様々なシミュレーションロボットドメインでより信頼性の高いモデルベースのコントローラが得られることを実証する。
関連論文リスト
- End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model
Predictive Control [49.60520501097199]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳(メタデータ) (2022-10-23T00:45:05Z) - 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) - Online Dynamics Learning for Predictive Control with an Application to
Aerial Robots [3.673994921516517]
予測モデルは学習し、モデルベースのコントローラに適用することができるが、これらのモデルはしばしばオフラインで学習される。
このオフライン設定では、トレーニングデータをまず収集し、精巧なトレーニング手順により予測モデルを学ぶ。
本稿では,デプロイ中の動的モデルの精度を継続的に向上するオンライン動的学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-19T15:51:25Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳(メタデータ) (2022-03-15T09:38:15Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - Structured learning of rigid-body dynamics: A survey and unified view
from a robotics perspective [5.597839822252915]
剛体力学とデータ駆動モデリング技術を組み合わせた回帰モデルについて検討した。
我々は、ニューラルネットワークやガウス過程などのデータ駆動回帰モデルと分析モデル先行モデルの組み合わせに関する統一的な見解を提供する。
論文 参考訳(メタデータ) (2020-12-11T11:26:48Z) - Modeling System Dynamics with Physics-Informed Neural Networks Based on
Lagrangian Mechanics [3.214927790437842]
第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。
本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。
本研究の目的は,機械系のモデルベース制御とシステム同定である。
論文 参考訳(メタデータ) (2020-05-29T15:10:43Z)
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。