基于元学习和不确定性感知MPPI的敏捷移动性与快速在线适应

现代非线性模型基控制器需要准确的物理模型和模型参数才能在极限条件下控制移动机器人。此外，由于高速下的表面打滑，摩擦参数可能不断变化（如自动驾驶赛车中的胎胎磨损），控制器可能需要快速适应。许多工作针对特定任务推导特定机器人模型，并配备参数适应方案，在该任务下表现良好，但需要为每个平台和任务进行大量调试。在本工作中，我们设计了一种基于元预训练的完整模型学习控制器，能够通过少量动态数据快速适应任何轮式机器人的模型参数，并对模型不确定性进行推理。我们在小规模数值仿真、大规模Unity仿真以及中等规模硬件平台上进行了实验，涵盖多种设置。我们展示了结果在所有场景下均与领域特定的经过精心设计的控制器相当，并且在所有情境中表现出优异的泛化性能。