Adaptive solution to transfer learning of neural network controllers from earth to space environments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Compliant manipulation has long been a major constraint for grappling in robotic manipulators. To adopt robotic manipulators in space for the prospect of capturing space junk and transforming them into salvageable assets for re‐use, robust adaptive manipulation would be key. We believe that a bio‐inspired approach could provide human‐like tactility required for robustness and adaptability in robotic manipulation. Given the similarity in form and dynamics between earth‐based and space‐based robotic manipulators, we first explored the transfer learning of neural network controllers as an avenue to address the challenges of limited computation resources onboard the spacecraft (space manipulator). We introduced a pre‐trained and learned feedforward neural network for modelling the control error a priori. While the results were encouraging, there are major limitations of neural networks' capability to ensuring the transfer learning of similar earth‐based dynamics to space‐based dynamics, given that the parameters of contrast are fairly straightforward. We have demonstrated these limitations by presenting a novel approach that is inspired by human motor control. We explored the adaptability through a practical problem of transferring a neuro‐controller from earth to space. With the results not as plausible as expected, an alternative adaptive controller has been learned to demonstrate a viable solution. The controller was trained entirely in simulation via rapid online adaptation of the robot's controller to the object's properties and environmental dynamics using only proprioception history. As a notable step, we have shown that appropriate models can be learned in this manner by training the control policy via reinforcement learning, which provides avenue for transferring the learned model from earth to space environments.
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.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle