带参数偏差的深度预测模型学习：处理建模困难与时间模型变化
机器人学
2024-04-25 v1
摘要
当机器人执行任务时，需要对其身体、目标物体、工具和环境之间的关系进行建模，并控制其身体以实现目标状态。然而，如果关系复杂，使用经典方法很难建模。此外，当关系随时间变化时，需要处理模型的时间变化。在本研究中，我们开发了带参数偏差的深度预测模型（DPMPB），作为一种更接近人类的适应性智能，以应对这些建模困难和时间模型变化。我们对DPMPB的理论以及在实际机器人上的各种任务实验进行了分类和总结，并讨论了DPMPB的有效性。
引用
@article{arxiv.2404.15726,
title = {Deep Predictive Model Learning with Parametric Bias: Handling Modeling Difficulties and Temporal Model Changes},
author = {Kento Kawaharazuka and Kei Okada and Masayuki Inaba},
journal= {arXiv preprint arXiv:2404.15726},
year = {2024}
}
备注
Accepted at Robotics and Automation Magazine (RAM)