一种带指令补偿的基于双边控制模仿学习的新型自回归神经网络模型
机器人学
2022-02-14 v1
摘要
在不久的将来，机器人有望与人类协作或独立作业，并可能在家庭与工厂等各类领域替代人类工人。在先前研究中，我们提出了基于双边控制的模仿学习，使机器人能够利用力信息并几乎与专家演示同步操作。此外，我们近期提出了一种用于基于双边控制模仿学习的自回归神经网络模型（SM2SM）以获得长期推断。在SM2SM模型中，主端和从端状态均须作为输入，但主端状态由SM2SM模型的先前输出获得，导致在较大环境变化下估计失稳。因此，本研究提出一种新型自回归神经网络模型（S2SM）。该模型仅需从端状态作为输入，其输出为下一时刻的从端和主端状态，从而提升了任务成功率。此外，提出了一种利用从端响应与估计之间误差的新反馈控制器，展现出更好的可复现性。
引用
@article{arxiv.2103.08879,
title = {A New Autoregressive Neural Network Model with Command Compensation for Imitation Learning Based on Bilateral Control},
author = {Kazuki Hayashi and Ayumu Sasagawa and Sho Sakaino and Toshiaki Tsuji},
journal= {arXiv preprint arXiv:2103.08879},
year = {2022}
}