面向机器人移动操作的贝叶斯多任务学习模型预测控制

机器人移动操作具有挑战性，因为需要解决许多不同的任务，例如开门或拾取并放置物体。通常可获得机器人的基本第一性原理系统描述，因此促使人们使用基于模型的控制器。然而，机器人动力学及其与物体的交互受到不确定性的影响，限制了控制器的性能。为解决此问题，我们提出了一种贝叶斯多任务学习模型，该模型使用三角函数基函数来辨识动力学中的误差。通过这种方式，来自不同但相关任务的数据可被利用，以提供一个描述性的误差模型，该模型可针对新的、未见的任务高效地进行在线更新。我们将该学习方案与模型预测控制器相结合，并广泛测试了所提方法的有效性，包括与现有基线控制器的比较。我们给出了使用球平衡机器人的仿真测试，以及使用四足操纵器的开门硬件实验。