文献

J-GLOBAL ID：201702262654149395   整理番号：17A1271413

粒状媒質におけるジャンプのための学習:Gauss過程回帰による統一最適制御合成【Powered by NICT】

Learning to jump in granular media: Unifying optimal control synthesis with Gaussian process-based regression

著者 (6件)： Chang Alexander H. (School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, GA, USA) ,  Hubicki Christian M. (School of Mechanical Engineering, Georgia Institute of Technology, Atlanta, GA, USA) ,  Aguilar Jeff J. (School of Physics, Georgia Institute of Technology, Atlanta, GA, USA) ,  Goldman Daniel I. (School of Physics, Georgia Institute of Technology, Atlanta, GA, USA) ,  Ames Aaron D. (School of Mechanical Engineering, Georgia Institute of Technology, Atlanta, GA, USA) ,  Vela Patricio A. (School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, GA, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICRA  ページ： 2154-2160  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 変形可能な地形の多様で複雑な動力学が機関車ロボットの実際の生存率,特に歩行機械のためのへの重要な障害である。は特性化されていない変形可能な地形上の脚歩行のためのモデルタスクとして粒状媒体(GM)上の垂直ジャンプを調べた。状態の関数として基底強制を推定し(Gauss過程)GPベース回帰と評価を統合することにより,一次元ジャンパはその制御目的を達成するためのタンデムにおけるその環境による強制プロファイルを学習する能力を獲得する。GPベースの動的モデルは,初めは,基本剛性,規制を遵守しない表面を仮定している。反復法の一部として,本モデルを用いて最適化は最適制御を生成する標的ジャンプ高さを達成するためのロボットモデルの既知のハードウェア限界を尊重しながら。真のGM表面モデルシミュレーションの評価から回収された軌道と強制データはGPを訓練するために適用し,環境のより豊富に情報力学モデルを最適化を提供する。三回の繰返しの後,予測された最適制御軌跡は,実行結果と一致し,1.2%跳躍高さ誤差の範囲内で,GPベース近似は真のGMモデルに収束した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *最適制御 ,  力学モデル ,  歩行機械 ,  最適化 ,  軌跡 ,  ダイナミックモデル ,  キャラクタリゼーション ,  *学習 ,  *Gauss過程 ,  ロボット ,  跳躍現象 ,  剛性 ,  歩行 ,  一次元 ,  逐次近似

分類 (1件)： ロボットの運動・制御  (IC04012J)

タイトルに関連する用語 (5件)： 粒状媒質 ,  ジャンプ ,  学習 ,  Gauss過程回帰 ,  最適制御