Core Concepts
Neuronale Netzwerke können eine Lyapunov-Energie-Funktion lernen, um die Stabilität von Demonstrationen zu gewährleisten.
Abstract
Einleitung
Lernen von Demonstrationen (LfD) in der Robotik
Dynamische Systeme (DS) bieten Stabilität und Anpassungsfähigkeit
Stabilität von Dynamischen Systemen
Lyapunov-Funktionen gewährleisten Stabilität
SEDS und CLF-DMs sind Ansätze zur Stabilitätssicherung
Neuronale Netzwerke für Stabilität
Vorschlag eines neuen Algorithmus zur direkten Lyapunov-Funktionsschätzung
Verwendung von invertierbaren neuronalen Netzwerken für Stabilität
Experimente und Ergebnisse
Simulationen mit dem LASA-Datensatz zeigen die Effektivität des vorgeschlagenen Algorithmus
Vergleich der Genauigkeit mit anderen DS-Ansätzen
Experimente mit einem Roboter zeigen die praktische Anwendbarkeit
Stats
Die vorgeschlagene Methode erreicht eine SEA von 4,83 × 10^5 mm^2 und eine Vrmse von 62,3 mm/s.
Quotes
"Ein autonomes dynamisches System kann den Zielzustand als stabilen Attraktor kodieren."
"Neuronale Netzwerke können als vielseitige Anpassungsfunktionen betrachtet werden."