Newest papers

Reinforced Iterative Learning Control for elastic joint arms: Guaranteed cross-trajectory generalization under model uncertainties

Y. de Santis, Michele Pierallini, Franco Angelini, Manolo Garabini · 2026 · Control Engineering Practice

DOI: 10.1016/j.conengprac.2026.107166 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Theo dõi quỹ đạo cho robot tuân thủ là một thách thức do động lực phi tuyến và sự không chắc chắn về mô hình, thường đòi hỏi các phương pháp dựa trên học tập để tránh nhận dạng tham số rõ ràng. Kiểm soát học tập lặp đi lặp lại (ILC) đảm bảo độ chính xác cao về mặt lý thuyết và duy trì sự tuân thủ thụ động của robot. Tuy nhiên, ILC truyền thống đòi hỏi một giai đoạn học tập riêng biệt cho mỗi quỹ đạo mới. Ngược lại, Reinforcement Learning (RL) phổ biến đến các quỹ đạo mới, nhưng thực tế bị phức tạp về mẫu cao và độ chính xác theo dõi hạn chế.

Machine translation (Meta M2M100); the English original follows.

Abstract

Trajectory tracking for compliant robots is challenging due to nonlinear dynamics and modeling uncertainties, often requiring learning-based methods to avoid explicit parameter identification. Iterative Learning Control (ILC) ensures theoretically high precision and preserves the passive compliance of the robot. However, traditional ILC requires a separate learning phase for each new trajectory. Conversely, Reinforcement Learning (RL) generalizes to new trajectories, but practically suffers from high sample complexity and limited tracking precision. This work proposes Reinforced Iterative Lear

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Iterative learning control, Generalization, Control theory (sociology), Joint (building), Computer science, Control (management)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange