Learning Deep Dynamical Systems using Stable Neural ODEs

要約

ロボットタスクのデモンストレーションから複雑な軌道を学習することは、動的システム (DS) の利用を通じて効果的に対処されています。
最先端の DS 学習方法により、生成された軌道の安定性が保証されます。
ただし、これらには 3 つの欠点があります。a) DS は単一のアトラクターを持つと想定されているため、達成できるタスクの多様性が制限されます。b) 状態導出情報は学習プロセスで利用できると想定され、c) DS の状態
DS は推論時に測定可能であると想定されます。
我々は、神経常微分方程式のトレーニング方法を継承し、状態導関数情報への依存を取り除く、おそらく複数のアトラクターを備えた、証明可能で安定した潜在 DS のクラスを提案します。
出力の微分同相マッピングと、時間不変の軌跡の類似性を捕捉する損失が提案されます。
私たちは、手書き形状の公開データセットとシミュレートされたオブジェクト操作タスク内で実施された実験を通じて、アプローチの有効性を検証します。

要約(オリジナル)

Learning complex trajectories from demonstrations in robotic tasks has been effectively addressed through the utilization of Dynamical Systems (DS). State-of-the-art DS learning methods ensure stability of the generated trajectories; however, they have three shortcomings: a) the DS is assumed to have a single attractor, which limits the diversity of tasks it can achieve, b) state derivative information is assumed to be available in the learning process and c) the state of the DS is assumed to be measurable at inference time. We propose a class of provably stable latent DS with possibly multiple attractors, that inherit the training methods of Neural Ordinary Differential Equations, thus, dropping the dependency on state derivative information. A diffeomorphic mapping for the output and a loss that captures time-invariant trajectory similarity are proposed. We validate the efficacy of our approach through experiments conducted on a public dataset of handwritten shapes and within a simulated object manipulation task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google