文献

J-GLOBAL ID：201802265043436137   整理番号：18A0188977

積分制御のモデル予測パスを持つ押し不確実性回避【Powered by NICT】

Uncertainty averse pushing with model predictive path integral control

著者 (6件)： Arruda Ermano (School of Computer Science, University of Birmingham, B15 2TT, UK) ,  Mathew Michael J. (School of Computer Science, University of Birmingham, B15 2TT, UK) ,  Kopicki Marek (School of Computer Science, University of Birmingham, B15 2TT, UK) ,  Mistry Michael (Edinburgh Centre for Robotics, University of Edinburgh, Edinburgh, EH8 9YL, UK) ,  Azad Morteza (School of Computer Science, University of Birmingham, B15 2TT, UK) ,  Wyatt Jeremy L. (School of Computer Science, University of Birmingham, B15 2TT, UK)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： Humanoids  ページ： 497-502  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： 計画ロバストロボット操作は,ロバストな計画を見出すことができるようにする良好な順モデルを必要とする。プッシュ操作を計画するためのロボットデータから学習した順モデルを用いてこれを達成する方法を示した。予測における不確実性の推定値を与えることを学習法(Gauss過程回帰および混合密度ネットワークのアンサンブル)を調べた。これらの学習モデルはボックスを目標位置に計画するモデル予測経路積分(MPPI)コントローラによって利用した。プランナはフォワードモデル内に高い予測不確実性の領域を回避する。これは限られたデータによる動力学における固有の不確実性,およびメタ不確実性の両方を含んでいる。押す作業は順方向モデルで推定した不確実性に関してロバスト的にと微分可能費用関数を必要とせずに完成した。実ロボットの方法を実証し,学習は物理シミュレーションより優れていることを示した。シミュレーションを用いて,不確実性回避経路を計画する能力を示した。Copyright 2018 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： *予測 ,  ロバスト性 ,  *モデル ,  経路積分 ,  学習モデル ,  費用関数 ,  制御装置 ,  ネットワーク ,  ロボット ,  微分 ,  推定量 ,  学習 ,  *不確実性
準シソーラス用語： Gauss過程回帰 ,  *モデル予測 , 【Automatic Indexing@JST】

分類 (2件)： 流出解析  (DC07030N) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： モデル予測 ,  パス ,  不確実性 ,  回避