Black-Box vs. Gray-Box: A Case Study on Learning Table Tennis Ball Trajectory Prediction with Spin and Impacts

要約

この論文では、卓球ボールの軌道フィルタリングと予測の方法を紹介します。
私たちのグレーボックスアプローチは物理モデルに基づいています。
同時に、データを使用して、ダイナミクス モデル、拡張カルマン フィルター、およびボールの初期状態を推測するニューラル モデルのパラメーターを学習します。
我々は、物理的な事前知識が提供されていない 2 つのブラックボックス アプローチよりも、このアプローチの優れた予測パフォーマンスを実証します。
ニューラル ネットワークを使用してボール ランチャーのパラメーターからスピンを初期化すると、純粋に測定されたボールの位置からスピンを推定するよりも、長期予測パフォーマンスが大幅に向上することを実証します。
リターンを成功させるには、ボールの軌道を正確に予測することが重要です。
そこで、空気圧式人工筋肉ロボットの復帰性能を評価したところ、29/30（97.7％）の復帰率を達成しました。

要約(オリジナル)

In this paper, we present a method for table tennis ball trajectory filtering and prediction. Our gray-box approach builds on a physical model. At the same time, we use data to learn parameters of the dynamics model, of an extended Kalman filter, and of a neural model that infers the ball’s initial condition. We demonstrate superior prediction performance of our approach over two black-box approaches, which are not supplied with physical prior knowledge. We demonstrate that initializing the spin from parameters of the ball launcher using a neural network drastically improves long-time prediction performance over estimating the spin purely from measured ball positions. An accurate prediction of the ball trajectory is crucial for successful returns. We therefore evaluate the return performance with a pneumatic artificial muscular robot and achieve a return rate of 29/30 (97.7%).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google