elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Comparing Semi-Parametric Model Learning Algorithms for Dynamic Model Estimation in Robotics

Riedel, Sebastian und Stulp, Freek (2019) Comparing Semi-Parametric Model Learning Algorithms for Dynamic Model Estimation in Robotics. sonstiger Bericht.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: https://arxiv.org/abs/1906.11909

Kurzfassung

Physical modeling of robotic system behavior is the foundation for controlling many robotic mechanisms to a satisfactory degree. Mechanisms are also typically designed in a way that good model accuracy can be achieved with relatively simple models and model identification strategies. If the modeling accuracy using physically based models is not enough or too complex, model-free methods based on machine learning techniques can help. Of particular interest to us was therefore the question to what degree semi-parametric modeling techniques, meaning combinations of physical models with machine learning, increase the modeling accuracy of inverse dynamics models which are typically used in robot control. To this end, we evaluated semi-parametric Gaussian process regression and a novel model-based neural network architecture, and compared their modeling accuracy to a series of naive semi-parametric, parametric-only and non-parametric-only regression methods. The comparison has been carried out on three test scenarios, one involving a real test-bed and two involving simulated scenarios, with the most complex scenario targeting the modeling a simulated robot's inverse dynamics model. We found that in all but one case, semi-parametric Gaussian process regression yields the most accurate models, also with little tuning required for the training procedure.

elib-URL des Eintrags:https://elib.dlr.de/136059/
Dokumentart:Berichtsreihe (sonstiger Bericht)
Titel:Comparing Semi-Parametric Model Learning Algorithms for Dynamic Model Estimation in Robotics
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Riedel, SebastianSebastian.Riedel (at) dlr.dehttps://orcid.org/0000-0002-3655-2486NICHT SPEZIFIZIERT
Stulp, FreekFreek.Stulp (at) dlr.dehttps://orcid.org/0000-0001-9555-9517NICHT SPEZIFIZIERT
Datum:27 Juni 2019
Open Access:Nein
Status:veröffentlicht
Stichwörter:robotics, supervise learning, Gaussian process
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Technik für Raumfahrtsysteme
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R SY - Technik für Raumfahrtsysteme
DLR - Teilgebiet (Projekt, Vorhaben):R - Vorhaben Intelligente Mobilität (alt)
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Robotik und Mechatronik (ab 2013) > Kognitive Robotik
Hinterlegt von: Stulp, Freek
Hinterlegt am:28 Mär 2023 16:41
Letzte Änderung:28 Mär 2023 16:42

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.