Apr, 2024

利用神经网络对腱激活连续机器人的滞后运动学进行建模

PDF
TL;DR探讨了使用深度学习方法准确模拟肌腱致动连续机器人的机械滞后行为的能力，通过比较三种神经网络建模方法的正向和逆向运动映射（前馈神经网络（FNN），带有历史输入缓冲区的 FNN 和长短期记忆（LSTM）网络），研究了两种类型的肌腱致动连续机器人的滞后响应，并确定哪种模型更能准确捕捉时间依赖行为。发现根据机器人的设计，不同的运动学输入可以改变系统是否表现出滞后现象，同时揭示了模型拟合的结果，与标准 FNN 相比，带有历史输入缓冲区的 FNN 和 LSTM 模型表现出类似的性能，可以准确建模历史相关性和速率依赖滞后。
mechanical hysteretic behaviortendon-actuated continuum robotsdeep learning approachesneural network modelingkinematic inputs
发现论文，激发创造
  • 利用 RGBD 感知和时域卷积网络进行柔性连续操作器的滞后补偿

    基于循环神经网络的数据驱动方法用于控制弹性连续操纵器，以解决由于绳索效应产生的滑脱、伸长和耦合等不可线性问题，并通过定制的标志物收集物理关节配置数据集来实现最佳控制算法，从而降低位置和方向误差。

    Feb, 2024

  • 用神经网络学习哈密顿系统的轨迹

    本文提出了一种使用提高了的积分方案的 Hamilton 神经网络，结合使用深度隐藏的物理模型来对保守系统进行数值模拟的方法，可以成功处理低采样率、嘈杂和不准确观测值。

    Apr, 2022

  • 使用神经网络预测机械臂的关节力矩

    准确的动态模型对于许多机器人应用至关重要。该研究采用基于机器学习技术（如神经网络）的 “黑盒子” 方法，在一个真实的六自由度操作器上比较了不同的神经网络架构和超参数选择策略，证明级联神经网络在准确度和性能方面表现最佳。

    Mar, 2024

  • 机器学习在动态系统建模与分析中的应用

    使用物理上知悉的神经网络方法来分析含有一种运动第一积分的非线性哈密顿系统，并提出了一种结构，将现有的哈密顿神经网络结构与 Adaptable Symplectic 循环神经网络相结合，可以在整个参数空间内预测动力学，保留哈密顿方程以及相空间的辛结构。同时，利用神经网络的高维非线性能力，结合 Long Short Term Memory 网络进行判断嵌入定理的实现，构造系统的延迟嵌入，并将拓扑不变吸引子映射到真实形式。该方法对于单参数势能有效，并且即使在较长时间内也能提供准确的预测结果。

    Jul, 2023

  • HybridNet: 将基于模型和数据驱动的学习相结合，用于预测动态系统的演化

    本文提出了 HybridNet，这是一个集成数据驱动深度学习和模型驱动计算的框架，在准确掌握参数知识的情况下可靠地预测动态系统的时空演化，实验结果表明该方法比基于深度学习的现有方法具有更高的预测精度。

    Jun, 2018

  • 从数据拟合到探索：通过强化学习解读运动控制的神经动力学

    通过研究虚拟机器人在进行腿部运动时的结构化神经活动，我们发现机器人训练后的神经轨迹比输入驱动的激励层的神经轨迹更为复杂，这一核心原则对于计算神经科学具有重要意义。

    May, 2023

  • 磁滞建模的神经振荡器

    通过开发基于普通微分方程的递归神经网络 (RNN) 方法来建模和量化滞后现象，这一研究突出了神经振荡器相对于传统 RNN 方法在捕捉磁性材料中复杂滞后模式方面的优势。

    Aug, 2023

  • 基于 LSTM 的触感和动觉信息对象识别的贝叶斯和神经推理

    本研究提出了一种基于多模态对象识别的分析和数据驱动的方法，利用具有高分辨率触觉传感器的三指驱动夹爪进行压缩和释放探索过程（EPs），采集手指关节上的角度传感器获取触觉图像和动觉信息，然后，利用 LSTM 神经网络进行分类，最后通过贝叶斯和神经推理方法融合，对 36 种物体进行测试，结果表明贝叶斯分类器提高了物体识别能力并优于神经网络分类器。

    Jun, 2023

  • 人类运动系统外部仿真的仿生神经网络

    该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法，用于预测关节运动和肌肉力量，并证明该方法能有效地识别个体特定的肌骨生理参数，并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。

    Sep, 2023

  • 机械系统结构学习的通用框架

    本文提出了使用神经网络对力学系统的 Lagrangian 以及作用在该系统上的广义力进行建模的方法，说明该方法优于黑匣子模型的数据效率和模型强化学习性能，并进行了系统研究以验证该方法融入先前知识提高了其数据效率。

    Feb, 2019