基于力系数算法估计的仿真数据生成用于人工智能机器人抛射体发射建模

考虑到影响轨迹的广泛动力学因素（其中许多可能未知），非刚性物体发射与操控的建模十分复杂。使用物理模型可能不准确，因为它们无法考虑未知因素以及物体发射时变形的影响；此外，若无大量实验测试，无法推导这些模型的力系数。近来，数据驱动的人工智能方法取得进展，使可学习模型与系统得以涌现。由于在机器人上训练发射预测模型是可取的，深度神经网络能够考虑不可测量的动力学。然而，无法收集大量实验数据会降低深度神经网络的性能。通过估计力系数，可借助公认的物理模型生成充足的补充数据，以人为扩大训练集规模，从而得到改进的网络。本文提出一种用于非刚性物体发射力系数算法估计的新框架，该框架可推广至其他领域，以生成大型数据集。我们为深度神经网络实现了一种新颖的训练算法与目标，以准确建模非刚性物体的发射轨迹并预测其是否会命中一系列目标。实验结果表明了使用力系数估计仿真数据的有效性，并显示了仿真数据对于训练有效神经网络的重要性。