基于高斯过程回归的机器人逆动力学辨识黑盒物理信息估计器
机器人学
2024-09-09 v2 人工智能
机器学习
系统与控制
系统与控制
摘要
在系统可用知识有限的多种实际场景中，采用黑盒方法直接从数据学习机器人逆动力学颇具意义。本文提出一种基于高斯过程（GP）回归的黑盒模型，用于机器人 manipulators 逆动力学辨识。所提模型依赖于一种称为\textit{拉格朗日启发多项式}（\kernelInitials{}）核的新型多维核。\kernelInitials{} 核基于两个主要思想。首先，我们不直接建模逆动力学分量，而是将系统的动能与势能建模为 GP。逆动力学分量上的 GP 先验通过对能量上的 GP 应用线性算子下的 GP 性质导出。其次，关于能量先验定义，我们证明了动能与势能的多项式结构，并推导了编码该性质的多项式核。因此，所提模型亦可在无需这些量标签的情况下估计动能与势能。在仿真及两台真实机器人 manipulators（即 7 自由度 Franka Emika Panda 与 6 自由度 MELFA RV4FL）上的结果表明，所提模型在精度、泛化性与数据效率上优于基于高斯过程与神经网络的先进黑盒估计器。在 MELFA 机器人上的实验还表明，尽管所需先验信息更少，我们的方法取得了与精调基于模型的估计器相当的性能。
引用
@article{arxiv.2310.06585,
title = {A Black-Box Physics-Informed Estimator based on Gaussian Process Regression for Robot Inverse Dynamics Identification},
author = {Giulio Giacomuzzos and Ruggero Carli and Diego Romeres and Alberto Dalla Libera},
journal= {arXiv preprint arXiv:2310.06585},
year = {2024}
}