BriefGPT - AI 论文速递
·
利用神经网络对腱激活连续机器人的滞后运动学进行建模
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文研究了使用深度学习方法模拟肌腱致动连续机器人的机械滞后行为。通过比较三种神经网络建模方法，发现带有历史输入缓冲区的FNN和LSTM模型能更准确地捕捉时间依赖行为。不同的运动学输入可以改变系统是否表现出滞后现象。
🎯
关键要点
-
研究使用深度学习方法模拟肌腱致动连续机器人的机械滞后行为。
-
比较三种神经网络建模方法：前馈神经网络（FNN）、带有历史输入缓冲区的FNN和长短期记忆（LSTM）网络。
-
研究了两种类型的肌腱致动连续机器人的滞后响应。
-
不同的运动学输入可以改变系统是否表现出滞后现象。
-
带有历史输入缓冲区的FNN和LSTM模型能更准确地捕捉时间依赖行为。
-
模型拟合结果显示，带有历史输入缓冲区的FNN和LSTM模型表现出类似的性能，能够准确建模历史相关性和速率依赖滞后。
➡️
