Learning a Stable Dynamic System with a Lyapunov Energy Function for Demonstratives Using Neural Networks

要約

自律動的システム (DS) ベースのアルゴリズムは、デモンストレーションからの学習 (LfD) の分野で極めて重要かつ基礎的な役割を果たしています。
それにもかかわらず、学習の精度を達成することとシステム全体の安定性を確保することとの間で微妙なバランスを取るという困難な課題に直面しています。
この大きな課題に応えるために、この文書では、ニューラル ネットワーク テクノロジーに根ざした新しい DS アルゴリズムを紹介します。
このアルゴリズムは、デモンストレーション データから重要な洞察を抽出する機能を備えているだけでなく、提供されたデータと一致する候補リアプノフ エネルギー関数を学習する能力も示しています。
このホワイトペーパーで紹介されているモデルは、グローバルな安定性を同時に維持しながら精度を最適化するという 2 つの目的を達成するのに優れた単純なニューラル ネットワーク アーキテクチャを採用しています。
提案されたアルゴリズムの有効性を包括的に評価するために、LASA データセットを使用して厳密な評価が実行され、ロボット実験による経験的検証によってさらに強化されます。

要約(オリジナル)

Autonomous Dynamic System (DS)-based algorithms hold a pivotal and foundational role in the field of Learning from Demonstration (LfD). Nevertheless, they confront the formidable challenge of striking a delicate balance between achieving precision in learning and ensuring the overall stability of the system. In response to this substantial challenge, this paper introduces a novel DS algorithm rooted in neural network technology. This algorithm not only possesses the capability to extract critical insights from demonstration data but also demonstrates the capacity to learn a candidate Lyapunov energy function that is consistent with the provided data. The model presented in this paper employs a straightforward neural network architecture that excels in fulfilling a dual objective: optimizing accuracy while simultaneously preserving global stability. To comprehensively evaluate the effectiveness of the proposed algorithm, rigorous assessments are conducted using the LASA dataset, further reinforced by empirical validation through a robotic experiment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google