ダイナミックな動きのプリミティブの生成のための深いニューラルネットワークのトレーニング

動的運動プリミティブ（DMP）は、運動スキル学習の効果的な動きの表現であることが証明されています。この論文では、ダイナミックな動きのプリミティブを合成するために深いニューラルネットワークをトレーニングするための新しいアプローチを提案します。私たちのアプローチの際立った特性は、物理的な意味のないDMPのパラメーター間の距離を測定するのではなく、動きの軌跡間の物理的距離を測定する新しい損失関数を利用できることです。これは、提案された損失関数の勾配を計算するために適用できる微分方程式を導出することで可能になり、したがって、逆伝達の効果的なアプリケーションを可能にして、基礎となる深いニューラルネットワークのパラメーターを最適化できます。開発されたアプローチは、あらゆるニューラルネットワークアーキテクチャに適用できますが、エンコーダデコーダーネットワークと畳み込みニューラルネットワークに基づいた2つの異なるアーキテクチャで評価されました。私たちの結果は、提案された損失関数の最小化が、より多くの従来の損失関数を使用する場合よりも良い結果につながることを示しています。

Dynamic movement primitives (DMPs) have proven to be an effective movement representation for motor skill learning. In this paper, we propose a new approach for training deep neural networks to synthesize dynamic movement primitives. The distinguishing property of our approach is that it can utilize a novel loss function that measures the physical distance between movement trajectories as opposed to measuring the distance between the parameters of DMPs that have no physical meaning. This was made possible by deriving differential equations that can be applied to compute the gradients of the proposed loss function, thus enabling an effective application of backpropagation to optimize the parameters of the underlying deep neural network. While the developed approach is applicable to any neural network architecture, it was evaluated on two different architectures based on encoder-decoder networks and convolutional neural networks. Our results show that the minimization of the proposed loss function leads to better results than when more conventional loss functions are used.