一种用于多体模型学习的可微牛顿-欧拉算法
机器人学
2020-10-21 v1 机器学习
摘要
本工作中，我们考察多体机器人动力学领域的一系列混合模型。我们提出了一种体现牛顿-欧拉方程的计算图架构，强调李代数形式在将动力学几何转化为高效计算结构以供学习方面的效用。我们描述了所采用的虚拟参数（其实现无约束且物理合理的动力学）与所采用的执行器模型。在实验中，我们定义了一族 26 个灰盒模型，并在模拟与实体的 Furuta 摆和 Cartpole 上对其进行系统辨识评估。比较表明，先前白盒系统辨识方法所需的运动学参数可从数据中准确推断。此外，我们强调，具有无控系统有界能量保证的模型生成非发散轨迹，而更一般的模型无此保证，故其性能强烈依赖于数据分布。因此，本工作的主要贡献是引入了一种联合学习动力学与运动学参数且可与黑盒组件结合的白盒模型。我们随后在具有挑战性的系统与不同数据集上进行了广泛实证评估，阐明了我们的灰盒架构与可比白盒及黑盒模型的相对性能。
引用
@article{arxiv.2010.09802,
title = {A Differentiable Newton Euler Algorithm for Multi-body Model Learning},
author = {Michael Lutter and Johannes Silberbauer and Joe Watson and Jan Peters},
journal= {arXiv preprint arXiv:2010.09802},
year = {2020}
}
备注
ICML 2020 Workshop on Inductive Biases, Invariances and Generalization in Reinforcement Learning