Comparaison expérimentale d'algorithmes de régression pour l'apprentissage de modèles cinématiques du robot humanoïde iCub - Inria - Institut national de recherche en sciences et technologies du numérique Access content directly
Conference Papers Year : 2012

Comparaison expérimentale d'algorithmes de régression pour l'apprentissage de modèles cinématiques du robot humanoïde iCub

Abstract

La complexité croissante des tâches abordées par la robotique humanoïde nécessite des modèles mécaniques précis difficiles à obtenir en pratique. Une approche possible est de laisser le robot acquérir ses propres modèles par apprentissage. Dans Sicard et al. (2011), deux algorithmes ont été comparés pour l'apprentissage de modèles cinéma- tiques sur le robot iCub : XCSF et LWPR. Cette comparaison a été menée sur des don- nées issues de simulations. Dans ce travail, nous nous proposons d'étendre cette étude au cas de données provenant du robot iCub afin d'analyser le comportement de ces algo- rithmes face à des données fortement bruitées dans des conditions réelles d'utilisation. Nous ajoutons également l'étude d'un troisième algorithme, iRFRLS. Après une étude détaillée du paramétrage des trois algorithmes, nous montrons que les résultats obtenus dans Sicard et al. (2011) sont toujours valables sur des données réelles : XCSF converge plus lentement, mais vers une erreur plus faible que LWPR. Toutefois, nous montrons que ces deux algorithmes sont surpassés par iRFRLS.
Fichier principal
Vignette du fichier
cap2012_submission_2.pdf (202.29 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

hal-00745471 , version 1 (25-10-2012)

Identifiers

  • HAL Id : hal-00745471 , version 1

Cite

Alain Droniou, Serena Ivaldi, Olivier Sigaud. Comparaison expérimentale d'algorithmes de régression pour l'apprentissage de modèles cinématiques du robot humanoïde iCub. Conférence Francophone sur l'Apprentissage Automatique - CAp 2012, Laurent Bougrain, May 2012, Nancy, France. 16 p. ⟨hal-00745471⟩
127 View
170 Download

Share

Gmail Facebook Twitter LinkedIn More