Port-Hamiltonian Neural ODE Networks on Lie Groups For Robot Dynamics Learning and Control

要約

ロボットのダイナミクスの正確なモデルは、安全で安定した制御と新しい動作条件への一般化のために重要です。
ただし、手動で設計されたモデルは、慎重にパラメーターを調整した後でも、精度が不十分な場合があります。
これにより、状態制御軌道のトレーニング セット全体にわたってロボットのダイナミクスを近似するための機械学習技術の使用が促進されます。
多くのロボットのダイナミクスは、行列リー群上の一般化された座標の観点から記述されます。
地上、航空機、水中車両の SE(3) と一般化速度に基づいて、エネルギー保存原則を満たします。
この論文では、ロボットのダイナミクスを近似するために、ニューラル常微分方程式 (ODE) ネットワークの構造のリー群に対する (ポート) ハミルトニアン定式化を提案します。
ブラックボックス ODE ネットワークとは対照的に、私たちの定式化はエネルギー保存原理とリー群の制約を構築によって保証し、ダイナミクス モデルにおける摩擦や抗力などのエネルギー散逸効果を明示的に説明します。
私たちは、学習された潜在的に過小作動しているハミルトン力学に対するエネルギー整形とダンピング注入制御を開発し、さまざまなロボット プラットフォームでの安定化と軌道追跡のための統合アプローチを可能にします。

要約(オリジナル)

Accurate models of robot dynamics are critical for safe and stable control and generalization to novel operational conditions. Hand-designed models, however, may be insufficiently accurate, even after careful parameter tuning. This motivates the use of machine learning techniques to approximate the robot dynamics over a training set of state-control trajectories. The dynamics of many robots are described in terms of their generalized coordinates on a matrix Lie group, e.g. on SE(3) for ground, aerial, and underwater vehicles, and generalized velocity, and satisfy conservation of energy principles. This paper proposes a (port-)Hamiltonian formulation over a Lie group of the structure of a neural ordinary differential equation (ODE) network to approximate the robot dynamics. In contrast to a black-box ODE network, our formulation guarantees energy conservation principle and Lie group’s constraints by construction and explicitly accounts for energy-dissipation effect such as friction and drag forces in the dynamics model. We develop energy shaping and damping injection control for the learned, potentially under-actuated Hamiltonian dynamics to enable a unified approach for stabilization and trajectory tracking with various robot platforms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google