考虑死区的神经网络损失函数
机器人学
2024-02-02 v1 人工智能
机器学习
摘要
揭示机械臂的逆动力学对于提升基于模型的控制性能至关重要。神经网络(NNs)是表示复杂逆动力学的极具前景的技术，但它们需要大量的运动数据。然而，执行器死区内的运动数据不适合用于训练模型，从而减少了有效训练数据的数量。在本研究中，基于机械臂关节在死区内无论输入力矩如何均不工作这一事实，我们提出了一种新的损失函数，该函数仅考虑不在死区内的关节误差。所提出的方法能够增加可用于训练的运动数据量，并提高逆动力学计算的准确性。使用三自由度(DOF)机械臂在实际设备上的实验表明，其准确性高于传统方法。我们还验证并讨论了所提方法模型在死区内的行为。
引用
@article{arxiv.2402.00393,
title = {Loss Function Considering Dead Zone for Neural Networks},
author = {Koki Inami and Koki Yamane and Sho Sakaino},
journal= {arXiv preprint arXiv:2402.00393},
year = {2024}
}
备注
6 pages, 6 figures, Accepted at AMC2024