Learning an internal representation of the end-effector configuration space
Rattachement africain : fr. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Current machine learning techniques proposed to automatically discover a robot kinematics usually rely on a priori information about the robot's structure, sensors properties or end-effector position. This paper proposes a method to estimate a certain aspect of the forward kinematics model with no such information. An internal representation of the end-effector configuration is generated from unstructured proprioceptive and exteroceptive data flow under very limited assumptions. A mapping from the proprioceptive space to this representational space can then be used to control the robot.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
Où se fait cette recherche
-
Sorbonne Université pays non établi dans la noticeUniversité ou école supérieure
-
Institut Systèmes Intelligents et de Robotique pays non établi dans la noticeStructure de recherche
-
Université Pierre-et-Marie-Curie pays non établi dans la noticeUniversité ou école supérieure
-
Délégation Paris 5 pays non établi dans la noticeOrganisme public
-
Laboratoire de Physique des Plasmas pays non établi dans la noticeStructure de recherche
-
ISIR pays non établi dans la noticeInstitution
-
LPP pays non établi dans la noticeInstitution
Sorbonne Université, Institut Systèmes Intelligents et de Robotique et Université Pierre-et-Marie-Curie, avec 4 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.