时限内身体控制的模型适应
本文在我们的基于集成的组件模型 DEECo 中扩展了使用机器学习和优化启发式算法来建立和重新配置自主组件集合的能力。我们展示了如何在模型层次上捕捉这些概念,并举例说明这样的模型如何有益地应用于工业 4.0 环境中与访问控制相关的问题。我们认为将机器学习和优化启发式算法纳入现代智能系统是一个关键特性,使其能够在学习过程中适应环境的不确定性并优化其行为。
Sep, 2023
基于深度神经网络的非线性模型预测控制(MPC)在同质压燃点火(HCCI)燃烧控制方面的实验实施结果良好,具有优秀的 IMEP 轨迹跟踪性能和过程约束的观测情况。
Oct, 2023
通过耦合的神经 ODE 模型,NODEC 实现了对未知动力学系统的控制以及目标状态下的优化控制,展示了其在学习未知动力学系统的最优控制方面的有效性和数据效率。
Jan, 2024
通过提供前馈多模态反馈,使用更新的 ADMC 建议,使用户能够实时比较当前和建议的映射,我们通过对比两种新方法的有效性,即 a) 不断推荐更新的 DoF 组合,或者 b) 在当前机器人运动和新建议之间使用离散阈值,在 Virtual Reality (VR) 面对面研究中与经典控制方法进行比较,降低了任务完成时间,减少了模式切换次数,显著降低了感知的工作负荷,证明了在前馈的情况下,ADMC 方法可以超越经典模式切换。连续和阈值之间没有明显的定量差异表明以用户为中心的定制选项的重要性,将这些影响纳入开发过程将提高可用性,对成功实施具有高用户接受度的机器人技术至关重要。
Jul, 2023
本文提出了一种可控的多任务网络,该网络根据用户所需的任务偏好和资源限制以动态方式调整其架构和权重,并通过利用任务亲和性和一种新的分支规则化损失来训练两个超级网络以预测适应权重的树状模型。
Mar, 2022
本研究提出一种创新的范式,将移动边缘计算(MEC)与基础模型集成,旨在增强用户设备(UE)上的本地任务性能,该设计通过创新的仿真器 - 适配器架构将基础模型分成两个协同模块,既节省了计算资源又保证了适应性和下游任务的优化效率,并引入了一种精细调整的资源分配机制来满足分散式环境中的仿真器 - 适配器结构的需求。为应对该系统带来的挑战,采用了一种混合多智能体强化学习(DRL)策略,并通过全面的仿真和验证验证了我们方法的实用性,展示了其鲁棒性、效率和可扩展性,该工作为部署基础模型和平衡计算效率与任务能力提供了新视角。
Oct, 2023
不需了解动力学的情况下控制动态系统是一项重要且具有挑战性的任务。我们提出了一种控制理论方法,通过加入可控性约束来增强数据估计的模型,从而实现从数据中提取更有效的控制器。该方法展示了基于深度神经网络的模型估计与解决方案性质的控制理论保证之间的联系,并在两个标准经典控制系统中证明了其优势。
Nov, 2023
通过提出基于频率的成本函数在轨迹优化中实现对于机器人模型误差的鲁棒性设计,从而增加运动规划的稳定性和兼容性。在通过模拟和硬件实验优化动作规划并在机器人 ANYmal 上进行实验后,成功地提高了机器人对于不确定环境和具有不同活动性的地形的适应性。
Sep, 2018
该研究探讨并展现了一种新的技术 ——“形态创新保护”,可协同优化机器人的结构和控制策略并避免局部最优解来提高机器人的行为性能,促进了自动化机器人设计和行为训练,同时为研究实体认知理论提供了实验检验的平台。
Jun, 2017