論文の概要: Data-Driven Predictive Control of Nonholonomic Robots Based on a Bilinear Koopman Realization: Data Does Not Replace Geometry
- arxiv url: http://arxiv.org/abs/2411.07192v1
- Date: Mon, 11 Nov 2024 18:08:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-12 14:07:01.399217
- Title: Data-Driven Predictive Control of Nonholonomic Robots Based on a Bilinear Koopman Realization: Data Does Not Replace Geometry
- Title（参考訳）: 双線形コオプマン実現に基づく非ホロノミックロボットのデータ駆動予測制御:データは幾何学に取って代わらない
- Authors: Mario Rosenfelder, Lea Bold, Hannes Eschmann, Peter Eberhard, Karl Worthmann, Henrik Ebel,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.5277756703318045
- License:
- Abstract: Advances in machine learning and the growing trend towards effortless data generation in real-world systems has led to an increasing interest for data-inferred models and data-based control in robotics. It seems appealing to govern robots solely based on data, bypassing the traditional, more elaborate pipeline of system modeling through first-principles and subsequent controller design. One promising data-driven approach is the Extended Dynamic Mode Decomposition (EDMD) for control-affine systems, a system class which contains many vehicles and machines of immense practical importance including, e.g., typical wheeled mobile robots. EDMD can be highly data-efficient, computationally inexpensive, can deal with nonlinear dynamics as prevalent in robotics and mechanics, and has a sound theoretical foundation rooted in Koopman theory. On this background, this present paper examines how EDMD models can be integrated into predictive controllers for nonholonomic mobile robots. In addition to the conventional kinematic mobile robot, we also cover the complete data-driven control pipeline - from data acquisition to control design - when the robot is not treated in terms of first-order kinematics but in a second-order manner, allowing to account for actuator dynamics. Using only real-world measurement data, it is shown in both simulations and hardware experiments that the surrogate models enable high-precision predictive controllers in the studied cases. However, the findings raise significant concerns about purely data-centric approaches that overlook the underlying geometry of nonholonomic systems, showing that, for nonholonomic systems, some geometric insight seems necessary and cannot be easily compensated for with large amounts of data.
- Abstract（参考訳）: 機械学習の進歩と、現実世界のシステムにおける努力を伴わないデータ生成へのトレンドは、データ推論モデルやデータベースのロボティクス制御への関心が高まっている。
データのみに基づいてロボットを統治し、第一原理とその後のコントローラ設計を通じて、より精巧なシステムモデリングのパイプラインをバイパスすることは魅力的に思える。
有望なデータ駆動型アプローチの1つは、コントロールファインシステムのための拡張動的モード分解(EDMD)である。
EDMDはデータ効率が高く、計算コストも高く、ロボット工学や力学でよく見られる非線形力学を扱うことができ、クープマン理論に根ざした健全な理論基盤を持つ。
そこで本研究では,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。
従来のキネマティック移動ロボットに加えて,データ取得から制御設計までの完全なデータ駆動制御パイプラインもカバーしている。
実世界の測定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研究ケースで高精度な予測制御を可能にすることが示されている。
しかし、この発見は、非ホロノミックシステムの基盤となる幾何学を無視する純粋にデータ中心のアプローチに重大な懸念をもたらし、非ホロノミックシステムにとって幾らかの幾何学的洞察が必要であり、大量のデータで容易に補うことができないことを示している。
関連論文リスト
- Semantically Controllable Augmentations for Generalizable Robot Learning [40.89398799604755]
ロボット操作の現実に見えないシナリオへの一般化には、トレーニング中にさまざまなデータセットを公開する必要がある。
本稿では,意味制御可能な拡張とロボットデータセットの高速乗算のための生成的拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-02T05:25:34Z) - RoboPack: Learning Tactile-Informed Dynamics Models for Dense Packing [38.97168020979433]
本稿では, 視覚と触覚を組み合わせ, 触覚インフォームド・ダイナミックスモデルを学習することでロボット操作を実現するアプローチを提案する。
提案するフレームワークであるRoboPackは、オブジェクト状態を推定するために、リカレントグラフニューラルネットワークを使用している。
我々は,非包括的操作と密包装作業に対するソフトバブル触覚センサを備えた実ロボットへのアプローチを実証する。
論文 参考訳（メタデータ） (2024-07-01T16:08:37Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。
実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
論文 参考訳（メタデータ） (2022-12-13T18:55:15Z) - Sample Efficient Dynamics Learning for Symmetrical Legged
Robots:Leveraging Physics Invariance and Geometric Symmetries [14.848950116410231]
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。
論文 参考訳（メタデータ） (2022-10-13T19:57:46Z) - 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) - 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) - On the Universal Transformation of Data-Driven Models to Control Systems [0.0]
任意の予測モデルを制御系に変換する普遍的なフレームワークを提案する。
提案手法の利点は,制御次元に対するデータ要求の線形増加である。
論文 参考訳（メタデータ） (2021-02-09T09:33:03Z) - Structured Mechanical Models for Robot Learning and Control [38.52004843488286]
ブラックボックスニューラルネットワークは、データ非効率と、事前知識を組み込むのが困難である。
本稿では,データ効率が高く,事前知識に容易に対応でき,モデルベース制御技術で容易に利用できる構造化機械モデルを提案する。
我々は、限られたデータからより良く一般化し、様々なシミュレートされたロボットドメイン上でより信頼性の高いモデルベースコントローラが得られることを実証した。
論文 参考訳（メタデータ） (2020-04-21T21:12:03Z) - Improving Input-Output Linearizing Controllers for Bipedal Robots via
Reinforcement Learning [85.13138591433635]
入力出力線形化コントローラの主な欠点は、正確な力学モデルが必要であり、入力制約を考慮できないことである。
本稿では,強化学習技術を用いた二足歩行ロボット制御の具体例について,両課題に対処する。
論文 参考訳（メタデータ） (2020-04-15T18:15:49Z) - Learning Predictive Models From Observation and Interaction [137.77887825854768]
世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。
しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。
本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
論文 参考訳（メタデータ） (2019-12-30T01:10:41Z)
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。