安全最佳控制框架,用于在人机组中合作操纵对象

科学领域:

• 机器人技术 机器人技术 机器人技术
• 人工智能的人工智能
• 控制理论 控制理论

背景情况:

• 在人机团队中,合作对象操纵存在挑战,原因是未知的代理动态和实时意图估计的需求.
• 现有的框架往往缺乏分布式估计能力和针对复杂的多代理相互作用的强有力的安全机制.

研究的目的:

• 引入基于分布式深度神经网络 (NN) 的自适应控制框架,用于在人机器人团队中进行合作对象操纵.
• 为了能够准确地估计人类的意图和强大的控制机器人代理与未知的动态.
• 通过先进的估计和控制策略,确保多代理协调的安全和效率.

主要方法:

• 利用三个不同的多层NN观察器 (MNNOs) 进行参考点估计,人力对轨迹估计和分布式NN动态观测.
• 在没有全球轨迹访问的情况下,用于分布式状态估计的基于共识的学习.
• 集成了一个分布式在线演员关键的NN控制器与帕雷托游戏理论和障碍力普诺夫函数 (BLF) 进行了集成,以实现最佳,安全的控制.
• 开发了使用奇数值分解 (SVD) 进行稳定参数调节的重量更新规律.

主要成果:

• 通过力对轨道推断,通过力对轨道推断,通过精确的实时估计人类的意图 (位置,速度,加速).
• 在具有未知代理动态的合作对象操纵任务中表现出强大的控制性能.
• 与基线方法相比,报告了总成本大幅减少60%.
• 在多剂环境中验证了分布式估计和基于NN的自适应控制的有效性.

结论:

• 拟议的框架有效地解决了对物体操纵的人机器人团队协调的挑战.
• 多个NN观察员和一个演员关键控制器的集成确保了准确的意图识别和适应性,安全的控制.
• 该框架为增强人机系统的协作和效率提供了一个有希望的解决方案.