Neural Contractive Dynamical Systems

要約

完全自律型ロボットが望ましくない、または潜在的に有害な動作を行わないようにするには、安定性の保証が非常に重要です。
残念ながら、データから学習した動的システムでは、特に学習したダイナミクスがニューラル ネットワークによって制御されている場合、グローバルな安定性の保証を提供するのは困難です。
私たちは、神経収縮力学システムを学習するための新しい方法論を提案します。この方法論では、神経アーキテクチャが収縮を保証し、したがって全体的な安定性を保証します。
この方法を高次元の力学システムに効率的に拡張するために、デコード後の収縮安定性を維持しながら、低次元の潜在表現空間でダイナミクスを学習する変分オートエンコーダーのバリアントを開発します。
フルポーズのエンドエフェクターの動的動作を考慮して、回転のリー群での収縮システムを学習するアプローチをさらに拡張します。
その結果、障害物回避を実行する機能を備えた、契約上の安定性の保証を提供する、初めての非常に柔軟な学習アーキテクチャが誕生しました。
経験的に、私たちのアプローチは、安定性の保証があまり強くない現在の最先端のものよりも正確に目的のダイナミクスをエンコードできることを示しています。

要約(オリジナル)

Stability guarantees are crucial when ensuring a fully autonomous robot does not take undesirable or potentially harmful actions. Unfortunately, global stability guarantees are hard to provide in dynamical systems learned from data, especially when the learned dynamics are governed by neural networks. We propose a novel methodology to learn neural contractive dynamical systems, where our neural architecture ensures contraction, and hence, global stability. To efficiently scale the method to high-dimensional dynamical systems, we develop a variant of the variational autoencoder that learns dynamics in a low-dimensional latent representation space while retaining contractive stability after decoding. We further extend our approach to learning contractive systems on the Lie group of rotations to account for full-pose end-effector dynamic motions. The result is the first highly flexible learning architecture that provides contractive stability guarantees with capability to perform obstacle avoidance. Empirically, we demonstrate that our approach encodes the desired dynamics more accurately than the current state-of-the-art, which provides less strong stability guarantees.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google