基于深度循环神经网络的柔性操作机构的动态任务控制方法
机器人学
2024-07-18 v1
摘要
柔性躯体相对于刚性躯体在环境接触方面具有优势。然而，当将常规控制方法应用于实现柔性躯体的动态任务时，存在两个难题:对柔性躯体的精确建模以及实现任务所需的中间姿态的推导。基于学习的方法被认为比精确建模更有效，但需要明确的中间姿态。为同时解决这两个难题，我们发展了一种名为Dynamic Task Execution Network (DTXNET)的深度循环神经网络，以实现实时任务控制，该网络获取控制指令、包含图像信息的机器人状态以及任务状态之间的关系。一旦网络训练完成，只需给定目标事件及其时机即可实现给定任务。为证明我们方法的有效性，我们将其应用于传统日本鼓(Wadaiko)鼓乐的任务中，并验证了DTXNET的最佳配置。
引用
@article{arxiv.2407.12201,
title = {Dynamic Task Control Method of a Flexible Manipulator Using a Deep Recurrent Neural Network},
author = {Kento Kawaharazuka and Toru Ogawa and Cota Nabeshima},
journal= {arXiv preprint arXiv:2407.12201},
year = {2024}
}
备注
Accepted at IROS2019