面向机器人质量传输隐身的深度学习
机器人学
2020-03-10 v3 机器学习
摘要
我们考虑使用移动机器人进行质量传输隐身的问题。机器人沿一条包围安全区的预定曲线运动，并携带源以集体抵消环境中释放的化学剂。目标是引导质量通量绕过期望区域，使其不受外部浓度影响。我们将机器人位置与释放速率的控制问题表述为PDE约束优化，其中化学物质的传播由平流-扩散（AD）PDE建模。我们使用神经网络（NN）来近似PDE的解。特别地，我们为NN提出一种利用AD-PDE变分形式的新损失函数，并允许我们将规划问题重新表述为无监督基于模型的学习问题。我们的损失函数与离散化无关且高度可并行。与使用超材料引导质量通量的被动隐身方法不同，我们的方法是首个使用移动机器人主动控制浓度水平并创建独立于环境条件的安全区的方法。我们在仿真中展示了我们方法的性能。
引用
@article{arxiv.1812.04157,
title = {Deep Learning for Robotic Mass Transport Cloaking},
author = {Reza Khodayi-mehr and Michael M. Zavlanos},
journal= {arXiv preprint arXiv:1812.04157},
year = {2020}
}
备注
8 pages, 11 figures, 1 table