用随机神经网络增强物理模拟器：以平面推动与弹跳为例

一个高效、可泛化且带有通用不确定性估计的物理模拟器在机器人状态估计、规划与控制中有广泛应用。在本文中，我们通过将一个解析刚体模拟器与一个学习将不确定性建模为残差的神经网络相结合，为平面推动和球体弹跳两种场景构建了这样一个模拟器。将符号化、确定性的模拟器与可学习的随机神经网络相结合，使我们同时获得表达能力、效率与可泛化性。我们的模型在真实的标准基准上一致地优于纯解析和纯学习的模拟器。与使用高斯过程建模不确定性的方法相比，我们的模型运行速度快得多，对新物体形状泛化更好，并且能刻画物体轨迹的复杂分布。