Komplexe Bewegungspläne mit Sicherheits- und Stabilitätsgarantien durch Verwendung von Neural ODEs lernen

Wir präsentieren einen modularen Ansatz zur Bewegungsplanung auf Basis Dynamischer Systeme, der komplexe, möglicherweise periodische Bewegungspläne aus kinästhetischen Demonstrationen unter Verwendung von Neural Ordinary Differential Equations (NODE) erlernt. Zur Gewährleistung von Reaktivität und Robustheit gegenüber Störungen schlagen wir einen neuartigen Ansatz vor, der in jedem Zeitschritt einen Zielpunkt für den Roboter auswählt, um der generierten Trajektorie zu folgen, indem Werkzeuge aus der Regelungstheorie und der vom NODE-Modell erzeugten Zieltrajektorie kombiniert werden. Ein Korrekturterm für das NODE-Modell wird online berechnet, indem ein quadratisches Programm gelöst wird, das Stabilität und Sicherheit unter Verwendung von Control-Lyapunov-Funktionen und Control-Barrier-Funktionen garantiert.