Real-Time Generation of Near-Minimum-Energy Trajectories via Constraint-Informed Residual Learning

要約

産業用ロボットの動作には多大なエネルギーが必要となるため、エネルギー削減方法の重要性がますます高まっています。
最小エネルギー軌道を計画する戦略には通常、非線形最適制御問題 (OCP) を解決することが含まれますが、リアルタイム要件に対処することはほとんどありません。
この論文では、最適解から学習することによってマニピュレータの最小エネルギーに近い軌道を生成するパラダイムを提案します。
私たちのパラダイムは、標準ソリューションを最適なソリューションに導くために必要な調整のみを学習することに重点を置きながら、境界条件を埋め込む残差学習アプローチを活用しています。
計算コストの高い OCP ベースのプランナーと比較して、私たちのパラダイムは、トレーニング データセットに近いところでは 87.3%、データセットから遠いところでは 50.8% のパフォーマンスを達成しながら、2 ～ 3 桁高速です。

要約(オリジナル)

Industrial robotics demands significant energy to operate, making energy-reduction methodologies increasingly important. Strategies for planning minimum-energy trajectories typically involve solving nonlinear optimal control problems (OCPs), which rarely cope with real-time requirements. In this paper, we propose a paradigm for generating near minimum-energy trajectories for manipulators by learning from optimal solutions. Our paradigm leverages a residual learning approach, which embeds boundary conditions while focusing on learning only the adjustments needed to steer a standard solution to an optimal one. Compared to a computationally expensive OCP-based planner, our paradigm achieves 87.3% of the performance near the training dataset and 50.8% far from the dataset, while being two to three orders of magnitude faster.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google