Cross-domain Transfer Learning and State Inference for Soft Robots via a Semi-supervised Sequential Variational Bayes Framework

要約

最近、ディープ ニューラル ネットワークなどのデータ駆動型モデルが、ソフト ロボットのモデリングと状態推論のための有望なツールであることが示されています。
ただし、深いモデルを効果的に実行するには大量のデータが必要であり、特に状態ラベルの徹底的で質の高いデータ収集が必要です。
その結果、ソフトロボットシステムのラベル付き状態データの取得は、ソフトロボットのセンサー化の難しさや非構造化環境でのデータ収集の不便さなど、さまざまな理由から課題となっています。
この課題に対処するために、この論文では、特定のロボット構成で状態ラベルが欠落しているソフト ロボットの転移学習と状態推論のための半教師あり逐次変分ベイズ (DSVB) フレームワークを提案します。
ソフトロボットが異なるロボット構成の下で異なるダイナミクスを示す可能性があることを考慮して、複数の構成間で潜在的な特徴の適応を促進するための特徴空間転送戦略も組み込まれています。
既存の転移学習アプローチとは異なり、私たちが提案する DSVB はリカレント ニューラル ネットワークを採用して、ソフト ロボット データの非線形ダイナミクスと時間的コヒーレンスをモデル化します。
提案されたフレームワークは、空気圧ベースのソフト ロボット フィンガーの複数のセットアップ構成で検証されます。
4 つの転送シナリオに関する実験結果は、DSVB が状態ラベルが欠落している中でも効果的な転送学習と正確な状態推論を実行することを示しています。
データとコードは https://github.com/shageenderan/DSVB で入手できます。

要約(オリジナル)

Recently, data-driven models such as deep neural networks have shown to be promising tools for modelling and state inference in soft robots. However, voluminous amounts of data are necessary for deep models to perform effectively, which requires exhaustive and quality data collection, particularly of state labels. Consequently, obtaining labelled state data for soft robotic systems is challenged for various reasons, including difficulty in the sensorization of soft robots and the inconvenience of collecting data in unstructured environments. To address this challenge, in this paper, we propose a semi-supervised sequential variational Bayes (DSVB) framework for transfer learning and state inference in soft robots with missing state labels on certain robot configurations. Considering that soft robots may exhibit distinct dynamics under different robot configurations, a feature space transfer strategy is also incorporated to promote the adaptation of latent features across multiple configurations. Unlike existing transfer learning approaches, our proposed DSVB employs a recurrent neural network to model the nonlinear dynamics and temporal coherence in soft robot data. The proposed framework is validated on multiple setup configurations of a pneumatic-based soft robot finger. Experimental results on four transfer scenarios demonstrate that DSVB performs effective transfer learning and accurate state inference amidst missing state labels. The data and code are available at https://github.com/shageenderan/DSVB.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google