Provably Robust Learning-Based Approach for High-Accuracy Tracking\n Control of Lagrangian Systems
Notice bibliographique
Résumé
Lagrangian systems represent a wide range of robotic systems, including\nmanipulators, wheeled and legged robots, and quadrotors. Inverse dynamics\ncontrol and feedforward linearization techniques are typically used to convert\nthe complex nonlinear dynamics of Lagrangian systems to a set of decoupled\ndouble integrators, and then a standard, outer-loop controller can be used to\ncalculate the commanded acceleration for the linearized system. However, these\nmethods typically depend on having a very accurate system model, which is often\nnot available in practice. While this challenge has been addressed in the\nliterature using different learning approaches, most of these approaches do not\nprovide safety guarantees in terms of stability of the learning-based control\nsystem. In this paper, we provide a novel, learning-based control approach\nbased on Gaussian processes (GPs) that ensures both stability of the\nclosed-loop system and high-accuracy tracking. We use GPs to approximate the\nerror between the commanded acceleration and the actual acceleration of the\nsystem, and then use the predicted mean and variance of the GP to calculate an\nupper bound on the uncertainty of the linearized model. This uncertainty bound\nis then used in a robust, outer-loop controller to ensure stability of the\noverall system. Moreover, we show that the tracking error converges to a ball\nwith a radius that can be made arbitrarily small. Furthermore, we verify the\neffectiveness of our approach via simulations on a 2 degree-of-freedom (DOF)\nplanar manipulator and experimentally on a 6 DOF industrial manipulator.\n
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».