Physics-informed Neural Networks to Model and Control Robots: a Theoretical and Experimental Investigation

要約

この研究は、複雑なロボット システムのモデリングと制御への物理学に基づいたニューラル ネットワークの応用に関するものです。
この目標を達成するには、非保存的な効果を処理できるように物理情報に基づいたニューラル ネットワークを拡張する必要がありました。
私たちは、これらの学習済みモデルを、もともと第一原理モデルを念頭に置いて開発されたモデルベースのコントローラーと組み合わせることを提案します。
標準技術と新しい技術を組み合わせることで、理論上の安定限界を証明しながら、正確な制御性能を達成できます。
これらの検証には、ソフト ロボットを使用した動作予測と、Franka Emika マニピュレーターを使用した軌道追跡の実世界の実験が含まれます。

要約(オリジナル)

This work concerns the application of physics-informed neural networks to the modeling and control of complex robotic systems. Achieving this goal required extending Physics Informed Neural Networks to handle non-conservative effects. We propose to combine these learned models with model-based controllers originally developed with first-principle models in mind. By combining standard and new techniques, we can achieve precise control performance while proving theoretical stability bounds. These validations include real-world experiments of motion prediction with a soft robot and of trajectory tracking with a Franka Emika manipulator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google