Using Neural Networks to Model Hysteretic Kinematics in Tendon-Actuated Continuum Robots

要約

深層学習アプローチを使用して、腱で作動する連続体ロボットの機械的ヒステリシス動作を正確にモデル化する機能は、ますます関心が高まっている分野です。
この論文では、2 種類の腱で作動する連続体ロボットのヒステリシス応答を調査し、最終的に、順運動学マッピングと逆運動学マッピングの両方を備えた 3 種類のニューラル ネットワーク モデリング アプローチ (フィードフォワード ニューラル ネットワーク (FNN)、履歴入力付き FNN) を比較します。
バッファ、および長短期記憶 (LSTM) ネットワーク。
私たちは、どのモデルが時間依存の動作を最もよく捉えているかを決定しようとしています。
ロボットの設計に応じて、異なる運動学的入力を選択すると、システムがヒステリシスを示すかどうかが変わる可能性があることがわかりました。
さらに、モデル フィッティングの結果を提示し、標準 FNN とは対照的に、履歴入力バッファーを備えた FNN と LSTM モデルの両方が、レート依存のヒステリシスの捕捉において同等のパフォーマンスで履歴依存性をモデル化する能力を示していることを明らかにします。

要約(オリジナル)

The ability to accurately model mechanical hysteretic behavior in tendon-actuated continuum robots using deep learning approaches is a growing area of interest. In this paper, we investigate the hysteretic response of two types of tendon-actuated continuum robots and, ultimately, compare three types of neural network modeling approaches with both forward and inverse kinematic mappings: feedforward neural network (FNN), FNN with a history input buffer, and long short-term memory (LSTM) network. We seek to determine which model best captures temporal dependent behavior. We find that, depending on the robot’s design, choosing different kinematic inputs can alter whether hysteresis is exhibited by the system. Furthermore, we present the results of the model fittings, revealing that, in contrast to the standard FNN, both FNN with a history input buffer and the LSTM model exhibit the capacity to model historical dependence with comparable performance in capturing rate-dependent hysteresis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google