論文の概要: Model-free tracking control of complex dynamical trajectories with
machine learning
- arxiv url: http://arxiv.org/abs/2309.11470v1
- Date: Wed, 20 Sep 2023 17:10:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 15:20:10.208978
- Title: Model-free tracking control of complex dynamical trajectories with
machine learning
- Title(参考訳): 機械学習による複素力学軌道のモデルフリートラッキング制御
- Authors: Zheng-Meng Zhai, Mohammadamin Moradi, Ling-Wei Kong, Bryan Glaz,
Mulugeta Haile, and Ying-Cheng Lai
- Abstract要約: 我々は,2腕ロボットマニピュレータを制御するモデルフリーの機械学習フレームワークを開発した。
様々な周期的信号とカオス的信号を用いた制御フレームワークの有効性を示す。
- 参考スコア(独自算出の注目度): 0.2356141385409842
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nonlinear tracking control enabling a dynamical system to track a desired
trajectory is fundamental to robotics, serving a wide range of civil and
defense applications. In control engineering, designing tracking control
requires complete knowledge of the system model and equations. We develop a
model-free, machine-learning framework to control a two-arm robotic manipulator
using only partially observed states, where the controller is realized by
reservoir computing. Stochastic input is exploited for training, which consists
of the observed partial state vector as the first and its immediate future as
the second component so that the neural machine regards the latter as the
future state of the former. In the testing (deployment) phase, the
immediate-future component is replaced by the desired observational vector from
the reference trajectory. We demonstrate the effectiveness of the control
framework using a variety of periodic and chaotic signals, and establish its
robustness against measurement noise, disturbances, and uncertainties.
- Abstract(参考訳): 非線形追尾制御 動的システムが所望の軌道を追跡することを可能にすることはロボティクスの基本であり、幅広い民間および防衛用途に役立っている。
制御工学では、トラッキング制御の設計にはシステムモデルと方程式の完全な知識が必要である。
本研究では,2腕ロボットマニピュレータを部分的に観測された状態のみを用いて制御するモデルレス機械学習フレームワークを開発した。
確率的入力は、観測された部分状態ベクトルを第一とし、その近未来を第二成分として、後者を前者の将来の状態とみなす訓練に利用される。
テスト(展開)フェーズでは、近未来のコンポーネントは、参照軌道から所望の観測ベクトルに置き換えられる。
様々な周期的およびカオス的信号を用いた制御フレームワークの有効性を実証し,測定ノイズ,外乱,不確実性に対するロバスト性を確立する。
関連論文リスト
- Neural Internal Model Control: Learning a Robust Control Policy via Predictive Error Feedback [16.46487826869775]
本稿では,モデルベース制御とRLベース制御を統合し,ロバスト性を高めるニューラル内部モデル制御を提案する。
我々のフレームワークは、剛体力学にニュートン・オイラー方程式を適用することで予測モデルを合理化し、複雑な高次元非線形性を捉える必要がなくなる。
本研究では,四足歩行ロボットと四足歩行ロボットにおけるフレームワークの有効性を実証し,最先端の手法と比較して優れた性能を実現する。
論文 参考訳(メタデータ) (2024-11-20T07:07:42Z) - Modular Neural Network Policies for Learning In-Flight Object Catching
with a Robot Hand-Arm System [55.94648383147838]
本稿では,ロボットハンドアームシステムによる飛行物体の捕獲方法の学習を可能にするモジュラーフレームワークを提案する。
本フレームワークは,物体の軌跡予測を学習するオブジェクト状態推定器,(ii)捕捉対象のポーズのスコアとランク付けを学ぶキャッチポーズ品質ネットワーク,(iii)ロボットハンドをキャッチ前ポーズに移動させるように訓練されたリーチ制御ポリシ,(iv)ソフトキャッチ動作を行うように訓練された把握制御ポリシの5つのコアモジュールから構成される。
各モジュールと統合システムのシミュレーションにおいて、我々のフレームワークを広範囲に評価し、飛行における高い成功率を示す。
論文 参考訳(メタデータ) (2023-12-21T16:20:12Z) - Controlling Chaotic Maps using Next-Generation Reservoir Computing [0.0]
非線形システム制御技術と次世代貯水池計算を併用し,動的システムの挙動を予測するための最良クラス機械学習手法を提案する。
カオスなH'enonマップに対する一連の制御タスクにおいて,コントローラの性能を示す。
我々の制御器はこれらのタスクに成功し、トレーニングに10点のデータポイントしか必要とせず、1回の繰り返しで所望の軌道にシステムを制御することができ、ノイズやモデリングエラーに対して堅牢であることを示す。
論文 参考訳(メタデータ) (2023-07-07T19:44:16Z) - Learning Policies for Continuous Control via Transition Models [2.831332389089239]
ロボット制御では、腕のエンドエフェクターを目標位置または目標軌道に沿って移動させるには、正確な前方および逆モデルが必要である。
相互作用から遷移(前方)モデルを学習することで、償却されたポリシーの学習を促進することができることを示す。
論文 参考訳(メタデータ) (2022-09-16T16:23:48Z) - 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) - Silver-Bullet-3D at ManiSkill 2021: Learning-from-Demonstrations and
Heuristic Rule-based Methods for Object Manipulation [118.27432851053335]
本稿では,SAPIEN ManiSkill Challenge 2021: No Interaction Trackにおいて,以下の2つのトラックを対象としたシステムの概要と比較分析を行った。
No Interactionは、事前に収集された実証軌道からの学習ポリシーのターゲットを追跡する。
このトラックでは,タスクを一連のサブタスクに分解することで,高品質なオブジェクト操作をトリガするHuristic Rule-based Method (HRM) を設計する。
各サブタスクに対して、ロボットアームに適用可能なアクションを予測するために、単純なルールベースの制御戦略が採用されている。
論文 参考訳(メタデータ) (2022-06-13T16:20:42Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Towards Agrobots: Trajectory Control of an Autonomous Tractor Using
Type-2 Fuzzy Logic Controllers [12.015055060690742]
本研究では,トラクタの縦方向速度を制御するために比例積分導出制御器を用いる。
yaw角ダイナミクスの制御には、比例導出制御器がタイプ2ファジィニューラルネットワークと並行して動作する。
測定したフィードバックエラーからインタラクションをオンラインで学習する制御アルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-04-09T00:46:23Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - Thinking While Moving: Deep Reinforcement Learning with Concurrent
Control [122.49572467292293]
本研究では,制御システムの時間的進化とともに,ポリシーからのアクションのサンプリングを同時に行わなければならないような環境下での強化学習について検討する。
人や動物のように、ロボットは思考と移動を同時に行わなければならず、前の動作が完了する前に次の動作を決定する。
論文 参考訳(メタデータ) (2020-04-13T17:49:29Z)
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。