用于集成状态估计、控制与学习的主动推断
机器人学
2021-03-31 v2
摘要
本工作提出了一种用于机械臂控制、状态估计和学习模型（超）参数的方法。它基于主动推断框架，该框架在计算神经科学中作为大脑理论而突出，其中行为源于最小化变分自由能。与最先进的方法相比，该机械臂表现出自适应和鲁棒的行为。此外，我们展示了其与 PID 控制等经典方法的确切关系。最后，我们表明通过学习时间参数和模型方差，我们的方法能够处理未建模动力学、阻尼振荡，并对扰动和糟糕的初始参数具有鲁棒性。该方法在‘Franka Emika Panda’ 7 自由度机械臂上得到验证。
引用
@article{arxiv.2005.05894,
title = {Active Inference for Integrated State-Estimation, Control, and Learning},
author = {Mohamed Baioumy and Paul Duckworth and Bruno Lacerda and Nick Hawes},
journal= {arXiv preprint arXiv:2005.05894},
year = {2021}
}
备注
7 pages, 6 figures, accepted for presentation at the International Conference on Robotics and Automation (ICRA) 2021