論文の概要: Joint torques prediction of a robotic arm using neural networks

• arxiv url: http://arxiv.org/abs/2405.00695v1
• Date: Thu, 28 Mar 2024 09:38:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-05 17:54:32.179806
• Title: Joint torques prediction of a robotic arm using neural networks
• Title（参考訳）: ニューラルネットワークを用いたロボットアームの関節トルク予測
• Authors: Giulia d'Addato, Ruggero Carli, Eurico Pedrosa, Artur Pereira, Luigi Palopoli, Daniele Fontanelli,
• Abstract要約: 動的モデルを導出する伝統的なアプローチは、ラグランジュ力学やニュートン力学の応用に基づいている。 一般的な代替手段は、"ブラックボックス"方法論のコンテキストにおける機械学習(ML)技術の適用である。 本稿では,実際の6自由度マニピュレータ(DoF)に対するこのアプローチの経験について報告する。
• 参考スコア（独自算出の注目度）: 4.019105975232108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate dynamic models are crucial for many robotic applications. Traditional approaches to deriving these models are based on the application of Lagrangian or Newtonian mechanics. Although these methods provide a good insight into the physical behaviour of the system, they rely on the exact knowledge of parameters such as inertia, friction and joint flexibility. In addition, the system is often affected by uncertain and nonlinear effects, such as saturation and dead zones, which can be difficult to model. A popular alternative is the application of Machine Learning (ML) techniques - e.g., Neural Networks (NNs) - in the context of a "black-box" methodology. This paper reports on our experience with this approach for a real-life 6 degrees of freedom (DoF) manipulator. Specifically, we considered several NN architectures: single NN, multiple NNs, and cascade NN. We compared the performance of the system by using different policies for selecting the NN hyperparameters. Our experiments reveal that the best accuracy and performance are obtained by a cascade NN, in which we encode our prior physical knowledge about the dependencies between joints, complemented by an appropriate optimisation of the hyperparameters.
• Abstract（参考訳）: 多くのロボットアプリケーションには正確なダイナミックモデルが不可欠である。 これらのモデルを導出するための伝統的なアプローチは、ラグランジュ力学やニュートン力学の応用に基づいている。 これらの手法はシステムの物理的挙動に関する優れた洞察を与えるが、慣性、摩擦、関節の柔軟性といったパラメータの正確な知識に依存している。 さらに、このシステムは飽和やデッドゾーンといった不確実で非線形な影響を受けやすいため、モデル化が難しい場合が多い。 一般的な代替手段は、"ブラックボックス"方法論のコンテキストにおける機械学習(ML)テクニック(例えば、ニューラルネットワーク(NN))の適用である。 本稿では,実際の6自由度マニピュレータ(DoF)に対するこのアプローチの経験について報告する。 具体的には,NNアーキテクチャとして単一NN,複数NN,カスケードNNについて検討した。 NNハイパーパラメータの選択に異なるポリシーを用いてシステムの性能を比較した。 実験の結果, 最大精度と性能はカスケードNNで得られ, 関節間の依存関係に関するこれまでの物理知識を符号化し, ハイパーパラメータの適切な最適化によって補完することがわかった。

関連論文リスト

• Model-Based Control with Sparse Neural Dynamics [23.961218902837807]
  モデル学習と予測制御を統合した新しいフレームワークを提案する。 我々は,既存の最先端手法よりもクローズドループ性能を向上できることを示す。
  論文  参考訳（メタデータ） (2023-12-20T06:25:02Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
  本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。 提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-11T13:25:45Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Nested Mixture of Experts: Cooperative and Competitive Learning of Hybrid Dynamical System [2.055949720959582]
  ハイブリッド力学系を表現・学習するためのNMOE(Nested Mixed Expert)を提案する。 NMOEは、バイアス分散トレードオフを最適化しながら、ホワイトボックスモデルとブラックボックスモデルを組み合わせる。 NMOEは、アソシエイトの専門家を協調的または競争的に訓練することにより、様々な種類の事前知識を統合するための構造化された方法を提供する。
  論文  参考訳（メタデータ） (2020-11-20T19:36:45Z)
• Neural Dynamical Systems: Balancing Structure and Flexibility in Physical Prediction [14.788494279754481]
  各種グレーボックス設定における動的モデルの学習方法であるNeural Dynamical Systems (NDS)を紹介する。 NDSはニューラルネットワークを使用してシステムの自由パラメータを推定し、残余項を予測し、将来状態を予測するために時間とともに数値的に統合する。
  論文  参考訳（メタデータ） (2020-06-23T00:50:48Z)
• 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。