Cross-domain Transfer Learning and State Inference for Soft Robots via a Semi-supervised Sequential Variational Bayes Framework

要約

近年、ディープニューラルネットワークのようなデータ駆動型モデルが、ソフトロボットのモデリングや状態推定に有望なツールであることが示されている。しかし、ディープモデルが効果的に動作するためには、膨大な量のデータが必要であり、特に状態ラベルの網羅的かつ高品質なデータ収集が必要である。そのため、ソフトロボットのセンサー化の困難さや、非構造化環境でのデータ収集の不便さなど、様々な理由から、ソフトロボットシステムのラベル付き状態データの取得が課題となっています。この課題に対処するため、本論文では、あるロボット構成に関する状態ラベルが欠落しているソフトロボットの伝達学習と状態推論のための半教師付き逐次変分ベイズ（DSVB）フレームワークを提案する。ソフトロボットは異なるロボット構成下で異なるダイナミクスを示す可能性があることを考慮し、複数の構成にまたがる潜在的特徴の適応を促進するために、特徴空間転送戦略も組み込んでいる。既存の伝達学習アプローチとは異なり、我々の提案するDSVBは、ソフトロボットのデータにおける非線形ダイナミクスと時間的コヒーレンスをモデル化するためにリカレントニューラルネットワークを採用する。提案するフレームワークは、空気圧ベースのソフトロボット指の複数のセットアップ構成で検証される。4つの転送シナリオの実験結果から、DSVBは状態ラベルが欠落している中で、効果的な転送学習と正確な状態推論を行うことができることが示された。

要約(オリジナル)

Recently, data-driven models such as deep neural networks have shown to be promising tools for modelling and state inference in soft robots. However, voluminous amounts of data are necessary for deep models to perform effectively, which requires exhaustive and quality data collection, particularly of state labels. Consequently, obtaining labelled state data for soft robotic systems is challenged for various reasons, including difficulty in the sensorization of soft robots and the inconvenience of collecting data in unstructured environments. To address this challenge, in this paper, we propose a semi-supervised sequential variational Bayes (DSVB) framework for transfer learning and state inference in soft robots with missing state labels on certain robot configurations. Considering that soft robots may exhibit distinct dynamics under different robot configurations, a feature space transfer strategy is also incorporated to promote the adaptation of latent features across multiple configurations. Unlike existing transfer learning approaches, our proposed DSVB employs a recurrent neural network to model the nonlinear dynamics and temporal coherence in soft robot data. The proposed framework is validated on multiple setup configurations of a pneumatic-based soft robot finger. Experimental results on four transfer scenarios demonstrate that DSVB performs effective transfer learning and accurate state inference amidst missing state labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL