面向连续体机器人的形状估计与形状感知全身控制策略的协同学习框架
机器人学
2025-02-24 v4
摘要
本文提出了一种用于学习连续体机器人形状估计和形状感知全身控制策略的新型协同框架。该方法利用两个增强型神经正规微分方程(ANODE)之间的相互作用——形状-NODE和控制-NODE——以实现连续形状估计和形状感知控制。形状-NODE整合了Cosserat rod理论中的先验知识，使其能够适应并消除模型偏差；控制-NODE利用该形状信息来优化全身控制策略，该策略以Model Predictive Control(MPC)方式进行训练。该统一框架有效克服了现有数据驱动方法的局限性，如形状意识不足以及捕捉复杂非线性动力学方面的挑战。广泛的仿真和实际环境中的评估表明，该框架在形状估计、轨迹跟踪和障碍规避方面表现稳健。该方法在跟踪精度和泛化能力方面 consistently 优于最先进的端到端、Neural-ODE和循环神经网络(RNN)模型。
引用
@article{arxiv.2501.03859,
title = {A Synergistic Framework for Learning Shape Estimation and Shape-Aware Whole-Body Control Policy for Continuum Robots},
author = {Mohammadreza Kasaei and Farshid Alambeigi and Mohsen Khadem},
journal= {arXiv preprint arXiv:2501.03859},
year = {2025}
}