基于RNN内嵌动力学切换控制器补偿机器人任务执行中的未定义行为
机器人学
2023-10-04 v2
摘要
机器人应用既需要正确的任务执行，也需要对未定义行为进行补偿。尽管深度学习是执行复杂任务的一种有前景的方法，但对训练数据集中未体现的未定义行为的响应仍具挑战性。在人-机器人协作任务中，机器人可能因碰撞及其他意外事件而采取意外姿态。因此，机器人应能从扰动中恢复以完成预期任务。我们提出一种通过切换两个控制器来补偿未定义行为的方法。具体而言，该方法根据学习任务动力学的循环神经网络的内部表示，在基于学习的控制器与基于模型的控制器之间进行切换。我们将所提方法应用于拾放任务，并评估了对未定义行为的补偿。仿真与真实机器人上的实验结果证明了该方法的有效性与高性能。
引用
@article{arxiv.2003.04862,
title = {Compensation for undefined behaviors during robot task execution by switching controllers depending on embedded dynamics in RNN},
author = {Kanata Suzuki and Hiroki Mori and Tetsuya Ogata},
journal= {arXiv preprint arXiv:2003.04862},
year = {2023}
}
备注
To appear in IEEE Robotics and Automation Letters (RA-L) and IEEE International Conference on Robotics and Automation (ICRA 2021)