${\tt MORALS}$: Analysis of High-Dimensional Robot Controllers via Topological Tools in a Latent Space

要約

ロボット システムのコントローラーの引力領域 (${\tt RoA}$) を推定することは、アプリケーションとコントローラーを安全に構成するために不可欠です。
既存のメソッドの多くは、閉じた形式の式にアクセスする必要があるため、データ駆動型コントローラーへの適用が制限されます。
軌道ロールアウト上でのみ動作するメソッドは、大量のデータを必要とする傾向があります。
以前の研究で、モールスグラフに基づくトポロジカル ツールが、分析モデルを必要とせずにデータ効率の高い ${\tt RoA}$ 推定を提供することを実証しました。
ただし、状態空間の離散化をめぐって動作する高次元システムには苦労します。
この論文は、学習された ${\it L}$atent ${\it S} における ${\it A}$ttraction の ${\it R}$egions の ${\it Mo}$rse グラフ支援発見を紹介します。
$ペース (${\tt 道徳}$)。
このアプローチでは、自動エンコーディング ニューラル ネットワークとモールスグラフを組み合わせます。
${\tt MORALS}$ は、67 次元の人型ロボットや 96 次元の 3 次元ロボットなどの高次元システム上で動作するデータ駆動型コントローラーのアトラクターとその ${\tt RoA}$ を推定する際の有望な予測機能を示しています。
フィンガーマニピュレーター。
まず、制御されたシステムのダイナミクスを学習された潜在空間に投影します。
次に、基礎となるダイナミクスの双安定性を表す短縮形のモールスグラフを構築します。つまり、コントローラーが望ましい動作と望ましくない動作をいつ引き起こすかを検出します。
高次元ロボット データセットの評価は、${\tt RoA}$ 推定におけるアプローチのデータ効率を示します。

要約(オリジナル)

Estimating the region of attraction (${\tt RoA}$) for a robotic system’s controller is essential for safe application and controller composition. Many existing methods require access to a closed-form expression that limit applicability to data-driven controllers. Methods that operate only over trajectory rollouts tend to be data-hungry. In prior work, we have demonstrated that topological tools based on Morse Graphs offer data-efficient ${\tt RoA}$ estimation without needing an analytical model. They struggle, however, with high-dimensional systems as they operate over a discretization of the state space. This paper presents ${\it Mo}$rse Graph-aided discovery of ${\it R}$egions of ${\it A}$ttraction in a learned ${\it L}$atent ${\it S}$pace (${\tt MORALS}$). The approach combines autoencoding neural networks with Morse Graphs. ${\tt MORALS}$ shows promising predictive capabilities in estimating attractors and their ${\tt RoA}$s for data-driven controllers operating over high-dimensional systems, including a 67-dim humanoid robot and a 96-dim 3-fingered manipulator. It first projects the dynamics of the controlled system into a learned latent space. Then, it constructs a reduced form of Morse Graphs representing the bistability of the underlying dynamics, i.e., detecting when the controller results in a desired versus an undesired behavior. The evaluation on high-dimensional robotic datasets indicates the data efficiency of the approach in ${\tt RoA}$ estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google