文献

J-GLOBAL ID：201702276417776623   整理番号：17A1271207

Gauss過程エキスパートの混合物を用いたオンラインロボット動力学のための学習マルチモーダルモデル【Powered by NICT】

Learning multimodal models for robot dynamics online with a mixture of Gaussian process experts

著者 (2件)： McKinnon Christopher D. (Dynamic Systems Lab (www.dynsyslab.org) at the University of Toronto Institute for Aerospace Studies (UTIAS), Canada) ,  Schoellig Angela P. (Dynamic Systems Lab (www.dynsyslab.org) at the University of Toronto Institute for Aerospace Studies (UTIAS), Canada)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICRA  ページ： 322-328  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： 何十年もの間,ロボット開発に関しては,重工製造施設のような制御された産業環境における人間と一緒に必須である近縁した。しかし,広範囲の条件によるロボットをshepherd安全に信頼できる人間オペレータの助けを借りずに,それらは複合体から妨げ,日毎にに生息する環境を常に変化した。適応,時間とともに性能を改善するためにデータを用いた複雑な実世界シナリオへの第一原理に基づく架橋アルゴリズムを開始する有望な方法として出現してきた安全学習制御。有効であるために安全学習法はロボット動力学のモデリング誤差の限界の良好な推定に依存している。現在の方法は単一適応モデル,あるいはロボット動力学に対する模型の固定,一連の既知のいずれかに焦点を当てた。これは静的またはゆっくり変化する環境にそれらを制限している。ロボット動力学のための増加数非線形モデルを学習するためにDirichlet過程混合物におけるGauss過程を用いた法モデルを提示した。新たな異なる運転条件に遭遇した場合,この研究の手法は,ロボットが任意の数の前に訪問した運転条件からの過去の経験を再利用し,自動的に新しいモデルを学ぶのを可能にすることを示した。このアプローチは時間の節的に特定する必要はないことを動力学における大きな変化を既存のGaussプロセスベースモデルのロバスト性を改善する。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： アルゴリズム ,  *学習 ,  オペレータ ,  *Gauss過程 ,  学習制御 ,  *ロボット ,  モデリング ,  生産設備 ,  ロバスト性 ,  安全性 ,  再利用
準シソーラス用語： 運転条件 ,  Dirichlet過程 ,  非線形モデル ,  *ロボット動力学 , 【Automatic Indexing@JST】

分類 (2件)： ロボットの運動・制御  (IC04012J) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (8件)： Gauss過程 ,  エキスパート ,  混合物 ,  オンライン ,  ロボット動力学 ,  学習 ,  マルチモーダル ,  モデル