論文の概要: Loss Function Considering Dead Zone for Neural Networks
- arxiv url: http://arxiv.org/abs/2402.00393v1
- Date: Thu, 1 Feb 2024 07:28:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 15:58:45.166878
- Title: Loss Function Considering Dead Zone for Neural Networks
- Title（参考訳）: ニューラルネットワークのデッドゾーンを考慮した損失関数
- Authors: Koki Inami, Koki Yamane, Sho Sakaino
- Abstract要約: デッドゾーンにない関節の誤差のみを考慮した新しい損失関数を提案する。
3自由度マニピュレータ(DOF)を用いた実機実験では,従来の方法よりも精度が高かった。
- 参考スコア（独自算出の注目度）: 0.8287206589886879
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is important to reveal the inverse dynamics of manipulators to improve
control performance of model-based control. Neural networks (NNs) are promising
techniques to represent complicated inverse dynamics while they require a large
amount of motion data. However, motion data in dead zones of actuators is not
suitable for training models decreasing the number of useful training data. In
this study, based on the fact that the manipulator joint does not work
irrespective of input torque in dead zones, we propose a new loss function that
considers only errors of joints not in dead zones. The proposed method enables
to increase in the amount of motion data available for training and the
accuracy of the inverse dynamics computation. Experiments on actual equipment
using a three-degree-of-freedom (DOF) manipulator showed higher accuracy than
conventional methods. We also confirmed and discussed the behavior of the model
of the proposed method in dead zones.
- Abstract（参考訳）: モデルベース制御の制御性能を向上させるためにマニピュレータの逆ダイナミクスを明らかにすることが重要である。
ニューラルネットワーク(nns)は、大量の動きデータを必要とする一方で、複雑な逆ダイナミクスを表現する技術として有望である。
しかし、アクチュエータのデッドゾーンの動作データは、有用なトレーニングデータ数を減らすトレーニングモデルには適していない。
本研究では, デッドゾーンの入力トルクによらず, マニピュレータ継手が動作しないという事実を踏まえ, デッドゾーンにないジョイントの誤差のみを考慮した新たな損失関数を提案する。
提案手法は,トレーニングで利用可能な運動データ量の増加と,逆ダイナミクス計算の精度の向上を可能にする。
3自由度マニピュレータ(DOF)を用いた実機実験では,従来の方法よりも精度が高かった。
また, デッドゾーンにおける提案手法のモデルの挙動を検証し, 検討した。
関連論文リスト
- 3D Multi-Object Tracking with Semi-Supervised GRU-Kalman Filter [6.13623925528906]
3D Multi-Object Tracking (MOT)は、自律運転やロボットセンシングのようなインテリジェントなシステムに不可欠である。
本稿では,学習可能なカルマンフィルタを移動モジュールに導入するGRUベースのMOT法を提案する。
このアプローチは、データ駆動学習を通じてオブジェクトの動き特性を学習することができ、手動モデル設計やモデルエラーを回避することができる。
論文 参考訳（メタデータ） (2024-11-13T08:34:07Z) - Analysis of Truncated Singular Value Decomposition for Koopman Operator-Based Lane Change Model [0.0]
Singular Value Decomposition (SVD) は、膨大なデータセットからクープマン作用素を効率的に近似するために用いられる。
本研究は,車線変化挙動モデルを表現するために,EDMDで使用される異なる基底関数と,切り離されたSVDのランクを評価する。
しかし, この結果から, 乱れたSVDの手法が必ずしも計算訓練時間を大幅に短縮するとは限らないことが示唆された。
論文 参考訳（メタデータ） (2024-09-27T09:45:21Z) - Unsupervised Discovery of Interpretable Directions in h-space of
Pre-trained Diffusion Models [63.1637853118899]
本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。
我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。
それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
論文 参考訳（メタデータ） (2023-10-15T18:44:30Z) - DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。
具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。
我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-09-09T04:40:01Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - 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) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Unsupervised Model Drift Estimation with Batch Normalization Statistics
for Dataset Shift Detection and Model Selection [0.0]
本研究では,未ラベル試験データに基づくバッチ正規化層の統計量を利用したモデルドリフト推定手法を提案する。
本手法は,モデル動物園内に複数の候補モデルが存在する場合のモデル選択だけでなく,教師なしの方法でのトレーニングトラジェクトリにおいても有効であることを示す。
論文 参考訳（メタデータ） (2021-07-01T03:04:47Z) - Unsupervised MR Motion Artifact Deep Learning using Outlier-Rejecting
Bootstrap Aggregation [37.41561581618164]
そこで本研究では,外乱除去型ブートストラップサブサンプリングとアグリゲーションによる教師なし深層学習手法を提案する。
トレーニングステップでは、アーティファクトフリーの画像のみを必要とするため、ペアデータを必要としない。
本手法は, 模擬動作からのアーチファクト修正や, TSMからのリアルタイム動作に有効であることを確認した。
論文 参考訳（メタデータ） (2020-11-12T12:10:58Z)
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。