ブラックボックス位置指令マニピュレータのための微分可能反復学習制御
Differentiable Iterative Learning Control for Black-Box Position-Commanded Manipulators
低レベル制御器にアクセスできない位置指令型マニピュレータ向けに、制約付き反復学習制御のパラメータを実機実行間にオンラインで適応させる二層フレームワークを提案し、固定パラメータ手法より少ない試行で高精度な繰り返し追従を実現した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Mohammed Al-Ghaili, Yakoop Qasim, Hassan Almubarak
分類: cs.RO, eess.SY
原文アブストラクト
High-accuracy repetitive tracking is challenging for position-commanded manipulators whose low-level controllers are inaccessible, while constrained model-based iterative learning control (ILC) can require substantial manual parameter tuning. We present Differentiable Iterative Learning Control (Diff-ILC), an online bilevel framework that adapts the parameters of a constrained ILC update between physical robot executions. A closed-loop differential model is identified once from paired smooth perturbations and subsequently kept fixed. At each trial, a constrained quadratic program computes a feasible command correction, while a real-anchored next-trial prediction defines a task-level objective. Hypergradients are obtained by implicitly differentiating the locally active KKT system, enabling multiple computational parameter updates without additional robot executions. Experiments on a 6-DoF DOBOT CR3 across unseen planar and three-dimensional trajectories show substantially faster physical-trial convergence than fixed-parameter model-based ILC. Across the four primary trajectories, after only two trial-to-trial updates, Diff-ILC achieves 78.8% and 76.4% lower mean joint-vector and Cartesian RMSE, respectively, than fixed-parameter model-based ILC.
関連論文
- 人工ポテンシャル場報酬で実現するサイズ頑健な障害物回避マニピュレーション
- DexArena：長期的器用マニピュレーションのための統合ベンチマークマニピュレーション
- PointPilot：物体中心の3D点フロー予測による統合ロボットマニピュレーションマニピュレーション
- 遮蔽環境下での物体中心ワールドモデル計画フレームワークSCOUTマニピュレーション
- 安全を考慮した潜在空間動作計画のための制御バリア関数マニピュレーション
- GoalDex：画像ゴール条件付き巧みな手内操作ポリシーの学習マニピュレーション