一种解析的分层深度学习框架及其在机器人中的应用
机器人学
2023-08-25 v2 系统与控制
系统与控制
摘要
深度学习(DL)已在诸多应用中取得巨大成功，但从理论视角的分析尚不充分。黑盒DL模型难以解释的成功在科学家中引发了疑问，并推动了可解释人工智能(XAI)领域的出现。在机器人领域，以可预测且稳定的方式部署DL算法尤为关键，因为机器人是需要与物理世界安全交互的主动主体。本文提出一种针对全连接神经网络的解析深度学习框架，可应用于回归问题与分类问题。回归与分类问题的示例包括在线机器人控制与机器人视觉。我们提出两种分层学习算法，从而可分析学习系统的收敛性。首先，提出一种针对多层网络的反向分层学习算法，并对各层进行收敛性分析，以理解分层深度学习的问题。其次，开发一种正向渐进学习算法，通过使用单隐层网络逐步构建深度网络，以获得更好精度。结果表明，从收敛角度看，渐进学习方法可用于权重的微调。基于MNIST与CIFAR-10数据集的经典基准识别任务说明了所提框架的有效性，结果显示出性能与可解释性间的良好平衡。随后将该该方法应用于机器人运动学的在线学习，并给出了未知模型UR5e机器人运动学控制的实验结果。
引用
@article{arxiv.2102.03705,
title = {An Analytic Layer-wise Deep Learning Framework with Applications to Robotics},
author = {Huu-Thiet Nguyen and Chien Chern Cheah and Kar-Ann Toh},
journal= {arXiv preprint arXiv:2102.03705},
year = {2023}
}
备注
The paper has been published in Automatica