Resumen

En las ciudades y fábricas inteligentes, las aplicaciones robóticas requieren alta precisión y seguridad, lo cual depende de un modelado preciso de la dinámica inversa. Sin embargo, los métodos de modelado físico no pueden incluir los factores no deterministas del manipulador, como la flexibilidad, el juego en las articulaciones y la fricción. En este artículo, se propone el método de Aprendizaje Profundo Semiparamétrico (SDL) para modelar la dinámica inversa de robots. SDL es un tipo de marco de aprendizaje profundo, diseñado para inferencia óptima, que combina el modelo de Dinámica de Cuerpos Rígidos (RBD, por sus siglas en inglés) y el modelo de Aprendizaje Profundo No Paramétrico (NDL). El modelo SDL aprovecha las características globales del clásico RBD y las potentes capacidades de ajuste del enfoque de aprendizaje profundo. Además, las partes paramétricas y no paramétricas del modelo SDL pueden optimizarse al mismo tiempo en lugar

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Ciudades inteligentes; Fábricas; Aplicaciones robóticas; Modelado de dinámica inversa; Aprendizaje Profundo Semiparamétrico; Modelo SDL
• Keywords:Smart cities; Factories; Robotic applications; Inverse dynamics modeling; Semiparametric Deep Learning; SDL model