In dieser Arbeit präsentieren die Autoren einen neuartigen Ansatz zur Modellierung der Kinematik sehnengesteuerter kontinuierlicher Roboter. Anstatt direkt die Position und Orientierung jeder Gelenkachse des Roboters zu berechnen, berechnet ihr Modell eine Gaußsche Mischverteilung (GMM) der Robotergeometrie im Arbeitsraum.
Das Modell wird als Mixture Density Network (MDN) implementiert, das aus einem anfänglichen vorwärtsgerichteten vollständig verbundenen Netzwerk und separaten vorwärtsgerichteten vollständig verbundenen Netzwerken zur Berechnung der Mittelwerte, Kovarianzmatrizen und Gewichte für jede Komponente der GMM besteht.
Das MDN wird trainiert, um die negative Log-Likelihood der Trainingsdaten, die aus Punktwolken der Robotergeometrie bei verschiedenen Konfigurationen bestehen, zu minimieren. Die Autoren zeigen, dass fünf Mischungskomponenten die negative Log-Likelihood auf dem Testdatensatz am besten minimieren, ohne in einen Modenkollaps zu verfallen.
Der Vergleich mit dem aktuellen Stand der Technik, dem Cosserat-Stabmodell, zeigt, dass das vorgeschlagene Modell eine 15%ige Reduktion der Rechenzeit bei ähnlicher Genauigkeit erreicht. Darüber hinaus demonstrieren die Autoren eine Anwendung ihres Modells in der Bewegungsplanung, bei der die Wahrscheinlichkeit einer Kollision mit Hindernissen unter Verwendung der gelernten kinematischen Unsicherheit explizit minimiert wird.
Til et andet sprog
fra kildeindhold
arxiv.org
Vigtigste indsigter udtrukket fra
by Jordan Thomp... kl. arxiv.org 04-08-2024
https://arxiv.org/pdf/2404.04241.pdfDybere Forespørgsler