論文の概要: High-Speed Accurate Robot Control using Learned Forward Kinodynamics and
Non-linear Least Squares Optimization
- arxiv url: http://arxiv.org/abs/2206.08487v1
- Date: Thu, 16 Jun 2022 23:52:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-21 05:42:07.375447
- Title: High-Speed Accurate Robot Control using Learned Forward Kinodynamics and
Non-linear Least Squares Optimization
- Title（参考訳）: 学習前向き運動力学と非線形最小二乗最適化を用いた高精度ロボット制御
- Authors: Pranav Atreya, Haresh Karnan, Kavan Singh Sikand, Xuesu Xiao, Garrett
Warnell, Sadegh Rabiee, Peter Stone, Joydeep Biswas
- Abstract要約: ロボットの動きのキノダイナミックな相互作用への依存は、高速でより顕著になる。
従来の研究から,逆キノダイナミックモデルの学習がロボットの高速制御に有効であることが示唆された。
本稿では,FKDモデルと非線形最小二乗最適化を併用した,高精度かつ高速なロボット制御のための新しい定式化を提案する。
- 参考スコア（独自算出の注目度）: 42.92648945058518
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate control of robots in the real world requires a control system that
is capable of taking into account the kinodynamic interactions of the robot
with its environment. At high speeds, the dependence of the movement of the
robot on these kinodynamic interactions becomes more pronounced, making
high-speed, accurate robot control a challenging problem. Previous work has
shown that learning the inverse kinodynamics (IKD) of the robot can be helpful
for high-speed robot control. However a learned inverse kinodynamic model can
only be applied to a limited class of control problems, and different control
problems require the learning of a new IKD model. In this work we present a new
formulation for accurate, high-speed robot control that makes use of a learned
forward kinodynamic (FKD) model and non-linear least squares optimization. By
nature of the formulation, this approach is extensible to a wide array of
control problems without requiring the retraining of a new model. We
demonstrate the ability of this approach to accurately control a scale
one-tenth robot car at high speeds, and show improved results over baselines.
- Abstract（参考訳）: 実世界におけるロボットの正確な制御には,ロボットと環境とのキノダイナミックな相互作用を考慮に入れた制御システムが必要である。
高速では、これらの運動力学的相互作用に対するロボットの動きの依存性がより顕著になり、高速で正確なロボット制御が難しい問題となる。
これまでの研究では,ロボットの逆キノダイナミックス(IKD)の学習が,ロボットの高速制御に役立つことが示されている。
しかし、学習された逆キノダイナミクスモデルは限られた制御問題にのみ適用でき、異なる制御問題は新しいIKDモデルの学習を必要とする。
本稿では,学習フォワードキノダイナミック(fkd)モデルと非線形最小二乗最適化を用いた,高精度・高速ロボット制御のための新しい定式化を提案する。
定式化の性質上、このアプローチは、新しいモデルのリトレーニングを必要とせずに、幅広い制御問題に対して拡張可能である。
提案手法は,高速でスケールした10分の1ロボットカーを正確に制御し,ベースラインよりも改良された結果を示す。
関連論文リスト
- Distributed Robust Learning based Formation Control of Mobile Robots based on Bioinspired Neural Dynamics [14.149584412213269]
まず,変数構造とカスケード設計手法を用いた分散推定器を導入し,実時間性能向上のための微分情報の必要性を排除した。
そして、スムーズな制御入力を提供し、スピードジャンプ問題を効果的に解決することを目的とした、バイオインスパイアされたニューラルダイナミックベースのアプローチを用いて、キネマティックトラッキング制御法を開発した。
完全に未知の力学と乱れを持つロボットの課題に対処するために,学習に基づく頑健な動的コントローラを開発した。
論文 参考訳（メタデータ） (2024-03-23T04:36:12Z) - Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。
本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。
この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
論文 参考訳（メタデータ） (2024-01-30T10:48:43Z) - Prompt a Robot to Walk with Large Language Models [18.214609570837403]
巨大な言語モデル(LLM)は、大規模なインターネットスケールのデータで事前訓練されている。
物理的環境から収集した数発のプロンプトを使用する新しいパラダイムを導入する。
様々なロボットと環境をまたいだ実験により、我々の手法がロボットに歩行を効果的に促すことが検証された。
論文 参考訳（メタデータ） (2023-09-18T17:50:17Z) - Human-Robot Skill Transfer with Enhanced Compliance via Dynamic Movement
Primitives [1.7901837062462316]
本研究では,動的運動プリミティブ(Dynamic Movement Primitives)フレームワークにおいて,人間の実演から動的特徴を抽出し,パラメータを自動チューニングする体系的手法を提案する。
本手法は,LfDとRLの両方に追従するロボット軌道を再現するために,人間の動的特徴を抽出するための実際のロボット装置に実装した。
論文 参考訳（メタデータ） (2023-04-12T08:48:28Z) - Domain Randomization for Robust, Affordable and Effective Closed-loop
Control of Soft Robots [10.977130974626668]
ソフトロボットは、コンタクトや適応性に対する本質的な安全性によって人気を集めている。
本稿では、ソフトロボットのRLポリシーを強化することにより、ドメインランダム化(DR)がこの問題を解決する方法を示す。
本稿では,変形可能なオブジェクトに対する動的パラメータの自動推論のための,従来の適応的領域ランダム化手法に対する新しいアルゴリズム拡張を提案する。
論文 参考訳（メタデータ） (2023-03-07T18:50:00Z) - Learning Bipedal Walking for Humanoids with Current Feedback [5.429166905724048]
アクチュエータレベルでの不正確なトルクトラッキングから生じるヒューマノイドロボットのシム2リアルギャップ問題を克服するためのアプローチを提案する。
提案手法は、実際のHRP-5Pヒューマノイドロボットに展開して二足歩行を実現するシミュレーションにおいて、一貫したエンドツーエンドのポリシーをトレーニングする。
論文 参考訳（メタデータ） (2023-03-07T08:16:46Z) - GenLoco: Generalized Locomotion Controllers for Quadrupedal Robots [87.32145104894754]
四足歩行ロボットのための汎用ロコモーション(GenLoco)コントローラを訓練するためのフレームワークを提案する。
本フレームワークは,多種多様な四足歩行ロボットに展開可能な汎用ロコモーションコントローラを合成する。
我々のモデルは、より一般的な制御戦略を取得し、新しいシミュレーションロボットや実世界のロボットに直接移行できることを示す。
論文 参考訳（メタデータ） (2022-09-12T15:14:32Z) - REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy
Transfer [57.045140028275036]
本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。
模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。
本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
論文 参考訳（メタデータ） (2022-02-10T18:50:25Z) - OSCAR: Data-Driven Operational Space Control for Adaptive and Robust
Robot Manipulation [50.59541802645156]
オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。
本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。
本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2021-10-02T01:21:38Z) - Reinforcement Learning for Robust Parameterized Locomotion Control of
Bipedal Robots [121.42930679076574]
シミュレーションにおけるロコモーションポリシをトレーニングするためのモデルフリー強化学習フレームワークを提案する。
ドメインランダム化は、システムダイナミクスのバリエーションにまたがる堅牢な振る舞いを学ぶためのポリシーを奨励するために使用されます。
本研究では、目標歩行速度、歩行高さ、旋回ヨーなどの多目的歩行行動について示す。
論文 参考訳（メタデータ） (2021-03-26T07:14:01Z)
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。