Simulated Data Generation Through Algorithmic Force Coefficient Estimation for AI-Based Robotic Projectile Launch Modeling

要約

非剛体オブジェクトの発射と操作のモデリングは、軌道に影響を与える幅広いダイナミクスを考慮すると複雑であり、その多くは未知である可能性があります。
物理モデルの使用は、未知の要因や、物体の発射時の変形の影響を考慮できないため、不正確になる可能性があります。
さらに、これらのモデルの力係数を導き出すことは、広範な実験テストなしには不可能です。
最近、データを活用した人工知能手法の進歩により、学習可能なモデルやシステムが出現することが可能になりました。
ディープニューラルネットワークは測定不能なダイナミクスを説明できるため、ロボットの発射予測用のモデルをトレーニングすることが望ましいです。
ただし、大量の実験データを収集できないと、ディープ ニューラル ネットワークのパフォーマンスが低下します。
力係数の推定を通じて、受け入れられた物理モデルを活用して適切な補足データを生成し、トレーニング セットのサイズを人為的に増加させ、改善されたニューラル ネットワークを生み出すことができます。
この論文では、大規模なデータセットを生成するために、他の領域に一般化できる、非剛体物体発射の力係数のアルゴリズム推定のための新しいフレームワークを紹介します。
新しいトレーニング アルゴリズムと目的をディープ ニューラル ネットワークに実装して、非剛体オブジェクトの発射軌道を正確にモデル化し、それらが一連のターゲットに当たるかどうかを予測します。
私たちの実験結果は、力係数推定からのシミュレートされたデータを使用することの有効性を実証し、効果的なニューラル ネットワークをトレーニングするためのシミュレートされたデータの重要性を示しています。

要約(オリジナル)

Modeling of non-rigid object launching and manipulation is complex considering the wide range of dynamics affecting trajectory, many of which may be unknown. Using physics models can be inaccurate because they cannot account for unknown factors and the effects of the deformation of the object as it is launched; moreover, deriving force coefficients for these models is not possible without extensive experimental testing. Recently, advancements in data-powered artificial intelligence methods have allowed learnable models and systems to emerge. It is desirable to train a model for launch prediction on a robot, as deep neural networks can account for immeasurable dynamics. However, the inability to collect large amounts of experimental data decreases performance of deep neural networks. Through estimating force coefficients, the accepted physics models can be leveraged to produce adequate supplemental data to artificially increase the size of the training set, yielding improved neural networks. In this paper, we introduce a new framework for algorithmic estimation of force coefficients for non-rigid object launching, which can be generalized to other domains, in order to generate large datasets. We implement a novel training algorithm and objective for our deep neural network to accurately model launch trajectory of non-rigid objects and predict whether they will hit a series of targets. Our experimental results demonstrate the effectiveness of using simulated data from force coefficient estimation and shows the importance of simulated data for training an effective neural network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google