文献

J-GLOBAL ID：201702285413105005   整理番号：17A1470294

sequence-to-sequenceモデルを用いた軌道生成における外乱補償能力の検証

著者 (3件)： 沓澤京 (埼玉大) ,  境野翔 (埼玉大) ,  辻俊明 (埼玉大)
資料名： 日本ロボット学会学術講演会予稿集(CD-ROM)  (日本ロボット学会学術講演会(CD-ROM))
巻： 35th  ページ： ROMBUNNO.1I3-02  発行年： 2017年09月11日 
JST資料番号： L4867A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： ロボットが実環境で作業するためには,環境に合わせて軌道計画すると同時に予期せぬ外乱に対処する必要がある。本論文では,ニューラルネットワークの一種であるsequence-to-sequence(seq2seq)モデルを用いた軌道生成手法を示す。このモデルにヘラの上で対象物を滑らせる動作を学習させた。このとき外乱を一切与えずに学習させても,オンライン軌道生成時には外乱やモデル化誤差を補償する動作が生成されることを示す。(著者抄録)

シソーラス用語： *発生 ,  *神経回路網 ,  擾乱 ,  誤差 ,  計算機シミュレーション ,  ニューラルネットワーク ,  モデル ,  *ロボット
準シソーラス用語： *軌道生成 ,  *リカレントニューラルネットワーク ,  外乱 ,  モデル化誤差 ,  LSTMネットワーク ,  物理モデル

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

引用文献 (8件)：

• I. Sutskever, O. Vinyals, and Q. V. Le, “Sequence to sequence learning with neural networks,” in Proc. Int. Conf. Neural Inf. Process. Syst., 2014, pp. 3104-3112.
• S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural Comput., vol. 9, no. 8, pp. 1735-1780, 1997.
• T. Yamada, S. Murata, H. Arie, and T. Ogata, “Logically complex symbol grounding for interactive robots by seq2seq learning with an LSTM-RNN,” in Annu. Conf. Neural Inf. Process. Syst., 2016. [Online]. Available: https://www.youtube.com/watch?v=oCCSNpJUAbU
• K. Kutsuzawa, S. Sakaino, and T. Tsuji, “Learning identity mapping of trajectories by sequence-to-sequence model with time series chunking,” in Proc. IEEJ Int. Work. Sensing, Actuation, Motion Control. Optim., 2017.
• S. Murata, Y. Yamashita, H. Arie, T. Ogata, S. Sugano, and J. Tani, “Learning to perceive the world as probabilistic or deterministic via interaction with others: a neuro-robotics experiment,” IEEE Trans. Neural Networks Learn. Syst., vol. 28, no. 4, pp. 830-848, 2015.

タイトルに関連する用語 (6件)： モデル ,  軌道生成 ,  外乱 ,  補償 ,  能力 ,  検証