基于 EdgeDRNN 加速器的混合动力经股假肢递归神经网络控制
系统与控制
2020-09-18 v3 机器人学
系统与控制
信号处理
摘要
小腿假肢可通过提高舒适度和降低行走能耗来改善截肢者的生活质量，但当前的控制方法在基于人体体验调节行为方面存在局限。本文描述了为动态机器人辅助设备学习复杂控制器的初步工作。我们提供了首个行为克隆示例，利用基于门控循环单元（Gated Recurrent Unit, GRU）的递归神经网络（recurrent neural network, RNN）控制动力经股假肢，该网络运行于利用时间稀疏性的定制硬件加速器上。RNN 在从原始假肢控制器收集的数据上训练。RNN 推理由新型 EdgeDRNN 加速器实时实现。实验结果表明，RNN 可替代标称 PD 控制器，以可比的跟踪精度实现 AMPRO3 假肢腿在平地及未知坡度上行走的端到端控制。EdgeDRNN 计算 RNN 的速度约为实时的 240 倍，为未来运行更大网络以处理更复杂任务提供了可能。在该具有冲击的实时动态系统上实现 RNN，为将人机假肢系统的其他学习要素纳入假肢控制奠定了基础。
引用
@article{arxiv.2002.03197,
title = {Recurrent Neural Network Control of a Hybrid Dynamic Transfemoral Prosthesis with EdgeDRNN Accelerator},
author = {Chang Gao and Rachel Gehlhar and Aaron D. Ames and Shih-Chii Liu and Tobi Delbruck},
journal= {arXiv preprint arXiv:2002.03197},
year = {2020}
}
备注
Accepted at 2020 International Conference on Robotics and Automation (ICRA 2020)