Deep Learning-based Robot Control using Recurrent NeuralNetworks (LSTM; GRU) and Adaptive Sliding Mode Control
Notice bibliographique
Résumé
A phenomenal increase in computational power made deep learning possible for real-time applications in recent years.Nonlinearity, external disturbances, and robustness are significant challenges in robotics.To overcome these challenges, robust adaptive control is needed, which requires manipulator inverse dynamics.Deep Learning can be used to construct the inverse dynamic of a manipulator.In this paper, robust adaptive motion control is developed by effectively combining existing adaptive sliding mode controller (ASMC) with Recurrent Neural Network such as Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU).A supervised learning approach is applied to train the LSTM and GRU model, which replaced the inverse dynamic model of a manipulator in model-based control design.The LSTM-based inverse dynamic model constructed using input-output data obtained from a simulation of a dynamic model of the two-links robot.The deep-learning-based controller applied for trajectory tracking control, and the results of the proposed Deep Learning-based controller are compared in three different scenarios: ASMC only, LSTM or GRU only, and LSTM or GRU with ASMC (with and without disturbance) scenario.The primary strategy of designing a controller with LSTM or GRU is to get better generalization, accuracy enhancement, compensate for fast time-varying parameters and disturbances.The experimental results depict that without tuning parameters proposed controller performs satisfactorily on unknown trajectories and disturbances.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».