Learning Central Pattern Generator Network with Back-Propagation Algorithm

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F18%3A00328395" target="_blank" >RIV/68407700:21230/18:00328395 - isvavai.cz</a>

Výsledek na webu

<a href="http://ceur-ws.org/Vol-2203/116.pdf" target="_blank" >http://ceur-ws.org/Vol-2203/116.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Learning Central Pattern Generator Network with Back-Propagation Algorithm

Popis výsledku v původním jazyce

An adaptable central pattern generator (CPG) that di-rectly controls the rhythmic motion of multilegged robotmust combine plasticity and sustainable periodicity. Thiscombination requires an algorithm that searches the para-metric space of the CPG and yields a non-stationary andnon-divergent solution. We model the CPG with the pi-oneering Matsuoka’s neural oscillator which is (mostly)non-divergent and provides constraints ensuring non-stationarity. We embed these constraints into the CPGformulation which we further implemented as a layer ofan artificial neural network. This enables the CPG to belearnable by back-propagation algorithm while sustainingthe desirable properties. Moreover, the proposed CPG canbe integrated into more complex networks and trained un-der different optimization objectives. In addition to thetheoretical properties of the developed system, its flexibil-ity is demonstrated in successful learning of the tripod mo-tion gait with its practical deployment on the real hexapodwalking robot.

Název v anglickém jazyce

Learning Central Pattern Generator Network with Back-Propagation Algorithm

Popis výsledku anglicky

An adaptable central pattern generator (CPG) that di-rectly controls the rhythmic motion of multilegged robotmust combine plasticity and sustainable periodicity. Thiscombination requires an algorithm that searches the para-metric space of the CPG and yields a non-stationary andnon-divergent solution. We model the CPG with the pi-oneering Matsuoka’s neural oscillator which is (mostly)non-divergent and provides constraints ensuring non-stationarity. We embed these constraints into the CPGformulation which we further implemented as a layer ofan artificial neural network. This enables the CPG to belearnable by back-propagation algorithm while sustainingthe desirable properties. Moreover, the proposed CPG canbe integrated into more complex networks and trained un-der different optimization objectives. In addition to thetheoretical properties of the developed system, its flexibil-ity is demonstrated in successful learning of the tripod mo-tion gait with its practical deployment on the real hexapodwalking robot.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GA18-18858S" target="_blank" >GA18-18858S: Metody kontinuálního učení řízení pohybu vícenohých kráčejích robotů v úlohách autonomního sběru dat</a><br>

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 18th Conference Information Technologies - Applications and Theory (ITAT 2018)

ISBN

9781727267198

ISSN

—

e-ISSN

1613-0073

Počet stran výsledku

8

Strana od-do

116-123

Název nakladatele

CEUR Workshop Proceedings

Místo vydání

Aachen

Místo konání akce

Krompachy

Datum konání akce

21. 9. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—