基于条件循环生成对抗网络的人形软机械臂域转换

深度学习提供了一种强大的建模软机器人动力学的方法, 相较于需要精确知晓机器人结构、材料特性及其他物理特征的传统解析方法具有优势。鉴于这些系统的内在复杂性和非线性特性, 提取此类细节往往具有挑战性。一个域中学习到的映射无法直接传递到具有不同物理特性的另一个域。这一挑战在软机器人身上尤为突出， 因为其材料随时间的退化。本文中, 我们引入了一个基于条件循环生成对抗网络 (Conditional Cycle Generative Adversarial Network, CCGAN) 的域转换框架, 以实现从源域向目标域的知识迁移。具体而言, 我们采用动态学习方法将在标准仿真环境中训练的姿态控制器适配至粘度增加十倍的域。我们的模型从输入压力信号中学习, 这些信号在两个域中都以相应的末端执行器位置和姿态为条件。我们通过在五种不同形状上的轨迹跟踪实验对方法进行评估, 并进一步评估其在噪声扰动和周期性测试下的鲁棒性。结果表明, CCGAN-GP 有效地促进了跨域技能迁移， 为更具可适应性和可推广性的软机器人控制器铺平了道路。