深度拉格朗日网络用于欠驱动系统能量控制端到端学习
机器人学
2019-08-06 v2 机器学习
系统与控制
系统与控制
摘要
将深度学习应用于控制，在机器人控制律的智能设计方面具有巨大潜力。遗憾的是，常见的深度学习控制方法（如深度强化学习）需要与真实系统进行不切实际的大量交互，无法提供任何性能保证，且未能充分利用基于模型控制的丰富洞见。特别是，放弃所有控制洞见的常见黑盒方法并不适用于复杂机器人系统。我们提出一种深度控制方法，作为基于能量的控制的坚实理论基础与深度学习的灵活性之间的桥梁。为实现这一目标，我们扩展深度拉格朗日网络（DeLaN），使其不仅遵循拉格朗日力学，还确保所学表示的能量守恒与无源性。这一新颖扩展被嵌入通用的基于模型的控制律中，以实现欠驱动系统的能量控制。由此产生的用于能量控制的 DeLaN（DeLaN 4EC）是首个使用通用函数逼近、能够学习能量控制的模型学习方法。DeLaN 4EC 在实体 Furuta 摆上展现出优异的实时控制能力，并学会摆起摆，而基于系统辨识的控制律则无法实现。
引用
@article{arxiv.1907.04489,
title = {Deep Lagrangian Networks for end-to-end learning of energy-based control for under-actuated systems},
author = {Michael Lutter and Kim Listmann and Jan Peters},
journal= {arXiv preprint arXiv:1907.04489},
year = {2019}
}
备注
Published at IROS 2019