Learning Complex Motion Plans using Neural ODEs with Safety and Stability Guarantees

要約

我々は、神経常微分方程式（NODE）を使用した運動感覚のデモンストレーションから、複雑でおそらく周期的な運動計画を学習するための動的システム（DS）アプローチを提案します。
外乱に対する反応性とロバスト性を確保するために、制御理論のツールと学習された NODE によって生成された目標軌道を組み合わせることにより、ロボットが従う目標点を各タイム ステップで選択する新しいアプローチを提案します。
NODE モデルの補正項は、制御リアプノフ関数と制御バリア関数をそれぞれ使用して安定性と安全性を保証する二次プログラムを解くことによってオンラインで計算されます。
私たちのアプローチは、LASA 手書きデータセットと複雑な周期的軌跡に対するベースライン DS 学習技術よりも優れたパフォーマンスを発揮します。
また、フランカ エミカ ロボット アームでも、単一のアトラクターを持たない拭き取りや撹拌タスクで安定した動作を生成すると同時に、摂動に対して堅牢で、人間や障害物の周囲でも安全であることが検証されています。

要約(オリジナル)

We propose a Dynamical System (DS) approach to learn complex, possibly periodic motion plans from kinesthetic demonstrations using Neural Ordinary Differential Equations (NODE). To ensure reactivity and robustness to disturbances, we propose a novel approach that selects a target point at each time step for the robot to follow, by combining tools from control theory and the target trajectory generated by the learned NODE. A correction term to the NODE model is computed online by solving a quadratic program that guarantees stability and safety using control Lyapunov functions and control barrier functions, respectively. Our approach outperforms baseline DS learning techniques on the LASA handwriting dataset and complex periodic trajectories. It is also validated on the Franka Emika robot arm to produce stable motions for wiping and stirring tasks that do not have a single attractor, while being robust to perturbations and safe around humans and obstacles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google