AI-MOLE: Autonomous Iterative Motion Learning for Unknown Nonlinear Dynamics with Extensive Experimental Validation

要約

この研究では、未知の非線形ダイナミクスを持つシステムが参照追跡タスクを解決するために自律的に学習できるようにする方法である自律反復モーション学習 (AI-MOLE) を提案しています。
この方法では、入力軌道を未知のダイナミクスに繰り返し適用し、実験データに基づいてガウス過程モデルをトレーニングし、目的の追跡パフォーマンスが達成されるまでそのモデルを利用して入力軌道を更新します。
既存のアプローチとは異なり、提案された方法は必要なパラメータを自動的に決定します。つまり、AI-MOLEはプラグアンドプレイで動作し、手動のパラメータ調整は必要ありません。
さらに、AI-MOLE は入出力情報のみを必要としますが、利用可能な状態情報を利用して学習を加速することもできます。
他のアプローチは通常、手動で調整されたパラメーターを使用してシミュレーションまたは単一の実世界のテストベッドでのみ検証されますが、提案された方法を 3 つの異なる実世界のロボットと合計 9 つの異なる基準追跡タスクで検証するという前例のない結果を提示します。
先験的なモデル情報または手動パラメータ調整。
すべてのシステムとタスクにわたって、AI-MOLE は、入力/出力情報のみが利用可能な場合でも、手動によるパラメーター調整をまったく必要とせずに、参照を追跡することを迅速に学習します。

要約(オリジナル)

This work proposes Autonomous Iterative Motion Learning (AI-MOLE), a method that enables systems with unknown, nonlinear dynamics to autonomously learn to solve reference tracking tasks. The method iteratively applies an input trajectory to the unknown dynamics, trains a Gaussian process model based on the experimental data, and utilizes the model to update the input trajectory until desired tracking performance is achieved. Unlike existing approaches, the proposed method determines necessary parameters automatically, i.e., AI-MOLE works plug-and-play and without manual parameter tuning. Furthermore, AI-MOLE only requires input/output information, but can also exploit available state information to accelerate learning. While other approaches are typically only validated in simulation or on a single real-world testbed using manually tuned parameters, we present the unprecedented result of validating the proposed method on three different real-world robots and a total of nine different reference tracking tasks without requiring any a priori model information or manual parameter tuning. Over all systems and tasks, AI-MOLE rapidly learns to track the references without requiring any manual parameter tuning at all, even if only input/output information is available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google