Multimodal Learning of Soft Robot Dynamics using Differentiable Filters

要約

微分可能フィルターは、再帰的ベイジアン推定器として、データからのみ状態遷移および測定モデルを導き出すことで、複雑なダイナミクスを学習する機能を備えています。
このデータ駆動型のアプローチにより、フィルタリング プロセスの重要なアルゴリズム コンポーネントを維持しながら、明示的な分析モデルへの依存が排除されます。
ただし、ゲインメカニズムは微分不可能なままであり、特定のタスク要件や状況の変化への適応性が制限されます。
この制限に対処するために、このペーパーでは、{\alpha}-MDF (Attendance-based Multimodal Differentiable Filter) と呼ばれる革新的なアプローチを紹介します。
{\alpha}-MDF は、最新のアテンション メカニズムを活用して、ソフト ロボットの正確な状態推定のためにマルチモーダルな潜在表現を学習します。
{\alpha}-MDF は、アテンション メカニズムを組み込むことで、タスクとコンテキストの固有の性質に合わせてゲイン メカニズムを調整する柔軟性を提供します。
{\alpha}-MDF の有効性は、ソフト ロボットの実世界の状態推定タスクを通じて検証されます。
私たちの実験結果は、状態推定誤差が大幅に減少し、ソフト ロボティクスの領域で微分可能フィルターのベースラインを常に最大 45% 上回っていることを示しています。

要約(オリジナル)

Differentiable Filters, as recursive Bayesian estimators, possess the ability to learn complex dynamics by deriving state transition and measurement models exclusively from data. This data-driven approach eliminates the reliance on explicit analytical models while maintaining the essential algorithmic components of the filtering process. However, the gain mechanism remains non-differentiable, limiting its adaptability to specific task requirements and contextual variations. To address this limitation, this paper introduces an innovative approach called {\alpha}-MDF (Attention-based Multimodal Differentiable Filter). {\alpha}-MDF leverages modern attention mechanisms to learn multimodal latent representations for accurate state estimation in soft robots. By incorporating attention mechanisms, {\alpha}-MDF offers the flexibility to tailor the gain mechanism to the unique nature of the task and context. The effectiveness of {\alpha}-MDF is validated through real-world state estimation tasks on soft robots. Our experimental results demonstrate significant reductions in state estimation errors, consistently surpassing differentiable filter baselines by up to 45% in the domain of soft robotics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google