抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
逆運動学(IK),軌道最適化(TO)およびモデル予測制御(MPC)のような様々な制御タスクは,エネルギー最小化問題として一般的に定式化されている。このような問題に対する数値解はよく確立されている。しかし,これらはリアルタイムアプリケーションで直接使用するためには,しばしば遅い。代替案はオフライン段階における制御問題に対する解多様体を学習することである。この蒸留プロセスは模倣学習設定における行動クローニング(BC)問題として自明に定式化できるが,著者らの実験は,不適合な局所極小,補間アーチファクト,および状態空間の不十分なカバレッジのために起こる多くの重要な欠点を強調する。本論文では,効率的で数値的にロバストなBCの代替を提案した。関心のある問題空間に統合した制御目的のエネルギー項の最小化として,解多様体の学習を定式化した。著者らは,このエネルギー積分を,制御タスクの個々のインスタンスを解くために使用される導関数とモンテカルロにヒントを得た適応サンプリング戦略を組み合わせる新しい方法で最小化する。計算量増加の一連のロボット制御問題に対する定式化の性能を評価し,行動クローニングおよびデータセット集合(Dgger)のような従来法に対する比較を通してその利点を強調した。【JST・京大機械翻訳】