核心概念
MORALS는 자동 인코딩 신경망과 모스 그래프를 결합하여 데이터 효율적으로 고차원 로봇 제어기의 원하는 및 원하지 않는 행동의 끌개와 그 영역을 발견한다.
摘要
이 논문은 고차원 로봇 제어기의 안정성 분석을 위한 MORALS 방법을 제안한다. MORALS는 다음과 같은 과정으로 이루어진다:
- 자동 인코딩 신경망을 사용하여 고차원 로봇 상태 공간을 저차원 잠재 공간으로 투영한다.
- 잠재 공간에서 모스 그래프를 구축하여 원하는 및 원하지 않는 행동의 끌개와 그 영역을 발견한다.
- 이를 통해 고차원 로봇 제어기의 안정성을 데이터 효율적으로 분석할 수 있다.
실험 결과, MORALS는 67차원 휴머노이드 로봇과 96차원 3-핑거 매니퓰레이터 등의 고차원 로봇 제어기에 대해 우수한 예측 성능을 보였다. 특히 기존 방법들이 적용 불가능한 고차원 데이터 구동 제어기에 대해서도 효과적으로 작동한다.
统计
67차원 휴머노이드 로봇의 상태 공간은 2차원 잠재 공간으로 인코딩된다.
96차원 3-핑거 매니퓰레이터의 상태 공간은 2차원 잠재 공간으로 인코딩된다.
引用
"MORALS shows promising predictive capabilities in estimating attractors and their RoAs for data-driven controllers operating over high-dimensional systems, including a 67-dim humanoid robot and a 96-dim 3-fingered manipulator."
"It first projects the dynamics of the controlled system into a learned latent space. Then, it constructs a reduced form of Morse Graphs representing the bistability of the underlying dynamics, i.e., detecting when the controller results in a desired versus an undesired behavior."