Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

Nguyên thủy đa tạp chuyển động khả vi để tạo ra chuyển động phản ứng dưới các ràng buộc động học

Created by
  • Haebom

Tác giả

Yonghyeon Lee

Phác thảo

Để Giải quyết vấn đề tạo chuyển động thời gian thực, điều cần thiết để đạt được chuyển động phản ứng và thích ứng dưới các ràng buộc chuyển động trong các hệ thống đa chiều, chúng tôi trình bày một phương pháp tiếp cận hai bước. Đầu tiên, chúng tôi học một đa tạp quỹ đạo chiều thấp ngoại tuyến thỏa mãn các ràng buộc liên quan đến tác vụ, sau đó chúng tôi thực hiện tìm kiếm trực tuyến nhanh trong đa tạp này. Mở rộng khuôn khổ nguyên thủy đa tạp chuyển động thời gian rời rạc (MMP) hiện có, chúng tôi đề xuất một kiến trúc mạng nơ-ron mới, nguyên thủy đa tạp chuyển động khả vi (DMMP), được đào tạo trên dữ liệu tối ưu hóa quỹ đạo được thu thập ngoại tuyến với một chiến lược đảm bảo thỏa mãn ràng buộc. Thông qua các thí nghiệm ném động sử dụng cánh tay robot 7 bậc tự do (7-DOF), chúng tôi chứng minh rằng DMMP vượt trội hơn các phương pháp hiện có về tốc độ lập kế hoạch, tỷ lệ thành công của tác vụ và thỏa mãn ràng buộc.

Takeaways, Limitations

•
Takeaways:
◦
Trình bày giải pháp hiệu quả và hiệu suất cao cho vấn đề tạo chuyển động thời gian thực trong các hệ thống đa chiều.
◦
DMMP cải thiện tốc độ lập kế hoạch, tỷ lệ thành công của nhiệm vụ và khả năng đáp ứng hạn chế so với các phương pháp hiện có.
◦
Một kiến trúc mạng nơ-ron mới để tạo ra quỹ đạo liên tục và có thể phân biệt được đã được đề xuất.
◦
Trình bày chiến lược học tập hiệu quả bằng cách sử dụng dữ liệu ngoại tuyến.
•
Limitations:
◦
Chi phí tính toán cho quá trình thu thập dữ liệu và tối ưu hóa cho giai đoạn học ngoại tuyến.
◦
Hiệu suất của DMMP phụ thuộc rất nhiều vào chất lượng dữ liệu đào tạo.
◦
Cần phải xác nhận thêm hiệu suất tổng quát trên nhiều nhiệm vụ và hệ thống robot khác nhau.
◦
Những hạn chế và cải tiến tiềm năng cho các chiến lược nhằm thỏa mãn ràng buộc.
👍
Made with Slashpage