基于记忆的控制器用于软体机器人高效数据驱动控制
机器人学
2023-09-20 v1
摘要
由于柔性材料的非线性变形和高自由度，软体机器人的控制器设计具有挑战性。数据驱动方法是解决软体机器人控制器设计问题的一种有前景的方案。然而，现有的软体机器人数据驱动控制器设计方法存在两个缺陷：（i）它们需要过长的训练时间；（ii）它们可能导致潜在低效的控制器。本文通过开发两种可以以数据驱动方式训练的软体机器人基于记忆的控制器来解决这些问题：有限记忆控制器（FMC）方法和基于长短期记忆（LSTM）的方法。FMC 存储不同时间实例的跟踪误差，并根据所存储跟踪误差的加权和计算驱动信号。我们开发了三种强化学习算法，使用 Q-learning、soft actor-critic 和确定性策略梯度（DDPG）方法计算 FMC 的最优权重。基于 LSTM 的控制器由 LSTM 网络组成，其输入为机器人的期望构型和当前构型。LSTM 网络计算软体机器人跟踪期望构型所需的驱动信号。我们研究了所提方法在控制软体手指中的性能，其中作为基准，我们使用了现有的基于强化学习（RL）的控制器和比例-积分-微分（PID）控制器。我们的数值结果表明，所提出的基于记忆的控制器的训练时间显著短于经典的基于 RL 的控制器。此外，与经典 RL 算法和 PID 控制器相比，所提控制器实现了更小的跟踪误差。
引用
@article{arxiv.2309.10273,
title = {Memory-based Controllers for Efficient Data-driven Control of Soft Robots},
author = {Yuzhe Wu and Ehsan Nekouei},
journal= {arXiv preprint arXiv:2309.10273},
year = {2023}
}