論文の概要: Sample Efficient Dynamics Learning for Symmetrical Legged Robots:Leveraging Physics Invariance and Geometric Symmetries

• arxiv url: http://arxiv.org/abs/2210.07329v1
• Date: Thu, 13 Oct 2022 19:57:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 17:28:11.242288
• Title: Sample Efficient Dynamics Learning for Symmetrical Legged Robots:Leveraging Physics Invariance and Geometric Symmetries
• Title（参考訳）: 対称脚型ロボットのサンプル高能率ダイナミクス学習:物理不変性と幾何学的対称性の有効利用
• Authors: Jee-eun Lee and Jaemin Lee and Tirthankar Bandyopadhyay and Luis Sentis
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.848950116410231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model generalization of the underlying dynamics is critical for achieving data efficiency when learning for robot control. This paper proposes a novel approach for learning dynamics leveraging the symmetry in the underlying robotic system, which allows for robust extrapolation from fewer samples. Existing frameworks that represent all data in vector space fail to consider the structured information of the robot, such as leg symmetry, rotational symmetry, and physics invariance. As a result, these schemes require vast amounts of training data to learn the system's redundant elements because they are learned independently. Instead, we propose considering the geometric prior by representing the system in symmetrical object groups and designing neural network architecture to assess invariance and equivariance between the objects. Finally, we demonstrate the effectiveness of our approach by comparing the generalization to unseen data of the proposed model and the existing models. We also implement a controller of a climbing robot based on learned inverse dynamics models. The results show that our method generates accurate control inputs that help the robot reach the desired state while requiring less training data than existing methods.
• Abstract（参考訳）: 基礎となるダイナミクスのモデル一般化は、ロボット制御の学習においてデータ効率を達成するために重要である。 本稿では,基礎となるロボットシステムの対称性を活かしたダイナミクスの学習手法を提案し,より少ないサンプルから頑健な外挿を可能にする。 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、脚対称性、回転対称性、物理不変性といったロボットの構造化情報を考えることができない。 結果として、これらのスキームは独立して学習されるため、システムの冗長な要素を学ぶために大量のトレーニングデータを必要とする。 代わりに,対称対象群におけるシステムの表現と,オブジェクト間の不変性と等価性を評価するためにニューラルネットワークアーキテクチャを設計することにより,幾何学的事前を考えることを提案する。 最後に,提案モデルと既存モデルの未認識データと比較することにより,本手法の有効性を示す。 また,学習した逆ダイナミクスモデルに基づくクライミングロボットのコントローラを実装した。 提案手法は,既存の手法に比べてトレーニングデータが少なく,ロボットが所望の状態に達するのに役立つ正確な制御入力を生成する。

関連論文リスト

• Data-Driven Predictive Control of Nonholonomic Robots Based on a Bilinear Koopman Realization: Data Does Not Replace Geometry [0.5277756703318045]
  本稿では,非ホロノミック移動ロボットの予測制御系にEDMDモデルを組み込む方法について検討する。 実世界の計測データのみを用いて、シミュレーションとハードウェア実験の両方で、サロゲートモデルが高精度な予測制御を可能にすることが示されている。
  論文  参考訳（メタデータ） (2024-11-11T18:08:17Z)
• Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control [2.058941610795796]
  本稿では,低次元物理モデル学習のための合理化手法を提案する。 各種平面ソフトマニピュレータを用いたシミュレーションにより,本手法の有効性を検証した。 物理的に互換性のあるモデルを生成する方法のおかげで、学習したモデルはモデルベースの制御ポリシーと簡単に組み合わせることができる。
  論文  参考訳（メタデータ） (2024-10-31T18:37:22Z)
• Comparative Evaluation of Learning Models for Bionic Robots: Non-Linear Transfer Function Identifications [0.0]
  ロボットダイナミクスの制御とモデリングは、機械学習を用いたモデルフリー制御戦略をますます採用している。 本研究では,モデルフリー制御の適用のための総合的な評価戦略とフレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-07-02T17:00:23Z)
• Morphological Symmetries in Robotics [45.32599550966704]
  形態的対称性は ロボットの形態の固有の特性です これらの対称性は、ロボットの状態空間とセンサーの測定にまで拡張される。 データ駆動型手法では, 機械学習モデルのサンプル効率と一般化を, モルフォロジー対称性により向上させることができることを示す。 解析手法の文脈では、ロボットの力学を低次元独立力学の重ね合わせに分解するために抽象調和解析を用いる。
  論文  参考訳（メタデータ） (2024-02-23T17:21:21Z)
• Learning-based adaption of robotic friction models [48.453527255659296]
  我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。 提案する推定器は,従来のモデルベースアプローチとベースニューラルネットワークを著しく上回る性能を示した。 本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
  論文  参考訳（メタデータ） (2023-10-25T14:50:15Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• 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)
• 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)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。