基于实时深度学习机器人逆动力学模型研究.pdfVIP

2015IEEE/RSJ智能机器人与系统国际会议（IROS）汉堡国会‑

10月2日。德国汉堡

机器人机械臂逆动力学的实时深度学习

阿萨纳西奥斯·S·波利多拉扎纳兰蒂迪斯和·克吕¨格

——在某些情况下，基于的机器人模型的解析推

导是的，甚至是不可能的。一种可能的解决方法是利用机

器学习方法，从传感器数据流中近机器人模型。本文中，我

们采用一种新颖的实时深度学习算法来学习逆动力学模型。该

算法利用了自组织学习、储层计算和贝叶斯推理的方法。本文

从泛化能力、收敛性和适应性方面将其评估结果与其它最先进

的算法进行了比较，所采用的数据集来自四个机器人的五

个数据集。结果表明，所算法在适应逆动力学模型的实图1.使用所提出算法学习逆动力学的直接模型。期望的关节位置、速

时变化方面显著优于其它最先进的算法。度和加速度被输入到算法中，算法所需扭矩的估计值。这些扭矩

由反馈控制器的信号进行校正。反馈扭矩是机械手实际位置和速度的

线性组合，由误差常数加权。传感器的测量值于所施加的扭矩，

I.引言并作为算法的训练信号。

在智能机器人领域，使用模型来表示机器人的具身

性及其与环境的交互是动作控制和预测[1]中的常见做法。

模型可以基于机器人的特性和结构进行解析推导。（储层）。自组织层通过使用广义赫布学习（

然而，此类方法无法应对机器人结构和动态环境的变化。GeneralizedHebbianLearning，GHL）近似输入的

此外，对于具有弹性执行器的低成本机械手，模型的解主成分来对输入进行去相关。储层将去相关后的输入投

析计算过于甚至不可能。影到高，并衰减记忆。贝叶斯线性回归被递

归地作为学习规则，用于更新储层与输出层之间的连接。

为了克服这些问题并推动自适应和认知机器人的发

本文的主要贡献是一种深度神经网络，它为机器人

展，模型应改为通过感官数据流学习。模型学习通

模型学习问题了有效且高效的解决方案。尽管深度

常可以定义为一个过程，其中智能体可以推断其结构和

学习算法已被非常成功地应用于各种问题，[2],据作者所

环境的特征。因此，基于数据的模型学习算法因其能够

精确建模复杂机器人系统而变得流行。现有的大多数方知，这是首个被提出用于实时机器人模型学习的此类算

法。我们的方法扩展了模型学习方法在噪声数据中的适

法可以分为三类：直接建模、间接建模和远端学习

用性，这些数据于没有精确力/扭矩传感器的机器人。

[1]。

此外，由于储层的衰减记忆特性，我们的方法能够快速

我们通过引入一种新颖的机器学习算法——主成分回适应新情况并生成适当的控制信号。因此，它能够适应

声态Principal‑ComponentsEchoState环境的变化（例如处理不同的物体，或抓取和释放物体）

状网络（

PC‑或机器人自身的变化（例如由于机械磨损）。与其它流

Network，ESN）——来解决这一问题，即通过数据流

实学习机器人模型。我们所算法可以应用于直接行的机器学习方法（如基于核的方法）不同，所提出方

时

建（