基于循环神经网络动态系统的多步预测
神经与进化计算
2018-06-05 v1 机器人学
摘要
循环神经网络（RNNs）能够编码丰富的动态特性，这使其适用于对动态系统建模。为训练 RNN 进行动态系统的多步预测，关键在于有效解决状态初始化问题，即在每个预测区间开始时为 RNN 初始状态寻找合适取值。本工作中，使用神经网络（NNs）解决状态初始化问题，以有效训练多种 RNN 从实验数据对两架飞行器（一架直升机与一个四旋翼）进行建模。结果表明，由基于 NN 的初始化方法初始化的 RNN 优于当前最优方法。此外，本文给出了针对这两架飞行器训练用于多步预测的 RNN 的综合研究。四旋翼的多步预测通过使用混合模型得到增强，该模型将车辆的简化基于物理的运动模型与 RNNs 相结合。虽然四旋翼数据集中最大平移与旋转速度分别约为 4 m/s 与 3.8 rad/s，但混合模型在测试数据集上以 99% 置信度给出了超过 1.9 秒的预测，其平移与旋转速度分别与实测值偏差保持在 9 cm/s 与 0.12 rad/s 以内。
引用
@article{arxiv.1806.00526,
title = {Multi-Step Prediction of Dynamic Systems with Recurrent Neural Networks},
author = {Nima Mohajerin and Steven L. Waslander},
journal= {arXiv preprint arXiv:1806.00526},
year = {2018}
}