Underwater Soft Fin Flapping Motion with Deep Neural Network Based Surrogate Model

要約

この研究では、ディープニューラルネットワーク（DNN）ベースのサロゲートモデルを強化学習（RL）を統合することにより、フィン作用型の水中ロボットの正確な力制御のための新しいフレームワークを提示します。
水中環境と高い実験コストとの複雑な相互作用に対処するために、DNN代理モデルは、RLエージェントの効率的なトレーニングを可能にするためのシミュレーターとして機能します。
さらに、グリッドスイッチング制御が適用され、特定の力の基準範囲の最適化されたモデルが選択され、制御の精度と安定性が向上します。
実験結果は、代理シミュレーションの訓練を受けたRLエージェントが複雑な推力動きを生成し、実際のソフトフィンアクチュエータの正確な制御を達成することを示しています。
このアプローチは、挑戦的な水中環境におけるフィン作用ロボットの効率的な制御ソリューションを提供します。

要約(オリジナル)

This study presents a novel framework for precise force control of fin-actuated underwater robots by integrating a deep neural network (DNN)-based surrogate model with reinforcement learning (RL). To address the complex interactions with the underwater environment and the high experimental costs, a DNN surrogate model acts as a simulator for enabling efficient training for the RL agent. Additionally, grid-switching control is applied to select optimized models for specific force reference ranges, improving control accuracy and stability. Experimental results show that the RL agent, trained in the surrogate simulation, generates complex thrust motions and achieves precise control of a real soft fin actuator. This approach provides an efficient control solution for fin-actuated robots in challenging underwater environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google