A Black-Box Physics-Informed Estimator based on Gaussian Process Regression for Robot Inverse Dynamics Identification

要約

ブラックボックスアプローチを採用してデータから直接ロボットの逆ダイナミクスを学習することは、システムに関する知識が限られているいくつかの実世界のシナリオにとって興味深いものです。
この論文では、ロボットマニピュレータの逆ダイナミクスを特定するためのガウス過程(GP)回帰に基づくブラックボックスモデルを提案します。
提案されたモデルは、\textit{Lagrangian Inspired Polynomial} (\kernelInitials{}) カーネルと呼ばれる新しい多次元カーネルに依存しています。
\kernelInitials{} カーネルは 2 つの主なアイデアに基づいています。
まず、逆動力学コンポーネントを直接モデル化する代わりに、システムの運動エネルギーと位置エネルギーを GP としてモデル化します。
逆ダイナミクス成分の事前 GP は、線形演算子のもとで GP の特性を適用することにより、エネルギーに関する GP から導出されます。
第二に、エネルギーの事前定義に関して、運動エネルギーと位置エネルギーの多項式構造を証明し、この特性をコード化する多項式カーネルを導出します。
結果として、提案されたモデルでは、これらの量にラベルを付けることなく、運動エネルギーと位置エネルギーを推定することもできます。
シミュレーションと 2 つの実際のロボット マニピュレータ (7 自由度の Franka Emika Panda と 6 自由度の MELFA RV4FL) の結果は、提案されたモデルがガウス プロセスとニューラル ネットワークの両方に基づく最先端のブラック ボックス推定器よりも優れていることを示しています。
正確さ、汎用性、データ効率の点で。
MELFA ロボットでの実験では、必要な事前情報が少ないにもかかわらず、私たちのアプローチが微調整されたモデルベースの推定器に匹敵するパフォーマンスを達成できることも実証しています。

要約(オリジナル)

Learning the inverse dynamics of robots directly from data, adopting a black-box approach, is interesting for several real-world scenarios where limited knowledge about the system is available. In this paper, we propose a black-box model based on Gaussian Process (GP) Regression for the identification of the inverse dynamics of robotic manipulators. The proposed model relies on a novel multidimensional kernel, called \textit{Lagrangian Inspired Polynomial} (\kernelInitials{}) kernel. The \kernelInitials{} kernel is based on two main ideas. First, instead of directly modeling the inverse dynamics components, we model as GPs the kinetic and potential energy of the system. The GP prior on the inverse dynamics components is derived from those on the energies by applying the properties of GPs under linear operators. Second, as regards the energy prior definition, we prove a polynomial structure of the kinetic and potential energy, and we derive a polynomial kernel that encodes this property. As a consequence, the proposed model allows also to estimate the kinetic and potential energy without requiring any label on these quantities. Results on simulation and on two real robotic manipulators, namely a 7 DOF Franka Emika Panda, and a 6 DOF MELFA RV4FL, show that the proposed model outperforms state-of-the-art black-box estimators based both on Gaussian Processes and Neural Networks in terms of accuracy, generality and data efficiency. The experiments on the MELFA robot also demonstrate that our approach achieves performance comparable to fine-tuned model-based estimators, despite requiring less prior information.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google