A Bioinspired Synthetic Nervous System Controller for Pick-and-Place Manipulation

要約

合成神経システム (SNS) は、生物学的にヒントを得たニューラル ネットワーク (NN) です。
SNS モデルは、ニューラル計算の基礎となる複雑なメカニズムを捕捉できるため、ロボット用のコンパクトで解釈可能な NN コントローラーを構築するための候補となります。
SNS に関するこれまでの研究は、モデルを脚式ロボットの制御と機能サブネットワーク (FSN) の設計に適用して動的システムを実現することに焦点を当ててきました。
ただし、FSN アプローチはこれまで支配方程式の解析的解法に依存していたため、より複雑な NN コントローラーを設計するのは困難でした。
SNS に可塑性を組み込み、学習アルゴリズムを使用してパラメーターを調整することは、この状況における体系的な設計に有望なソリューションを提供します。
この論文では、他の古典的な人工ニューラル ネットワークと比較した SNS の計算上の利点を理論的に分析します。
次に、学習アルゴリズムを使用して、加算、減算、除算、乗算を実装するためのコンパクトなサブネットワークを開発します。
また、学習ベースの方法論と生物からインスピレーションを得たアーキテクチャを組み合わせて、シミュレートされたガントリー システムのピック アンド プレイス制御用の解釈可能な SNS を設計します。
最後に、パラメーターをさらに調整することなく、SNS コントローラーが現実世界のロボット プラットフォームに正常に転送されることを示し、アプローチの有効性を検証します。

要約(オリジナル)

The Synthetic Nervous System (SNS) is a biologically inspired neural network (NN). Due to its capability of capturing complex mechanisms underlying neural computation, an SNS model is a candidate for building compact and interpretable NN controllers for robots. Previous work on SNSs has focused on applying the model to the control of legged robots and the design of functional subnetworks (FSNs) to realize dynamical systems. However, the FSN approach has previously relied on the analytical solution of the governing equations, which is difficult for designing more complex NN controllers. Incorporating plasticity into SNSs and using learning algorithms to tune the parameters offers a promising solution for systematic design in this situation. In this paper, we theoretically analyze the computational advantages of SNSs compared with other classical artificial neural networks. We then use learning algorithms to develop compact subnetworks for implementing addition, subtraction, division, and multiplication. We also combine the learning-based methodology with a bioinspired architecture to design an interpretable SNS for the pick-and-place control of a simulated gantry system. Finally, we show that the SNS controller is successfully transferred to a real-world robotic platform without further tuning of the parameters, verifying the effectiveness of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google