Benutzer: Gast  Login
Originaltitel:
Hierarchical Optimization Control and Robust Imitation Learning for Manipulation
Übersetzter Titel:
Hierarchische Optimierungskontrolle und robustes Imitationslernen zur Manipulation
Autor:
Hu, Yingbai
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Knoll, Alois Christian (Prof. Dr. habil.)
Gutachter:
Knoll, Alois Christian (Prof. Dr. habil.); Chen, Guang (Prof. Dr.)
Sprache:
en
Fachgebiet:
MSR Meßtechnik, Steuerungs- und Regelungstechnik, Automation
TU-Systematik:
DAT 260; DAT 815
Kurzfassung:
In this thesis, we will work on the low-level multi-task hierarchical optimization control of redundant manipulators, and high-level motion learning by imitating human behaviors. We design the gradient descent-based parallel neural network to address the multi-task hierarchical optimization problem which combines the different priority objective functions.To reproduce excellent motor skills by cloning human skills, we proposed a novel policy improvement method to enhance the robustness and adapt...     »
Übersetzte Kurzfassung:
Es ist eine hierarchische Multitasking-Optimierung von redundanten Manipulatoren auf niedriger Ebene und dem Erlernen von Bewegungen auf hoher Ebene durch Nachahmung des menschlichen Verhaltens. Wir entwerfen das auf Gradientenabstieg basierende parallele neuronale Netz, um das hierarchische Multitasking-Optimierungsproblem zu lösen, das die verschiedenen Prioritätszielfunktionen kombiniert. Um die Fähigkeiten durch Klonen menschlicher Fähigkeiten zu reproduzieren, haben wir eine Strategie: die...     »
WWW:
https://mediatum.ub.tum.de/?id=1654881
Eingereicht am:
11.04.2022
Mündliche Prüfung:
12.10.2022
Dateigröße:
39589906 bytes
Seiten:
136
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221012-1654881-1-4
Letzte Änderung:
10.10.2023
 BibTeX