通过接触感知 Fisher 信息最大化进行行为合成

接触动力学包含大量信息，可通过与环境中的物体交互来提高机器人表征和学习物体的能力。然而，由于接触数据的本征稀疏性和非光滑性，收集信息丰富的接触数据具有挑战，需要主动方法来最大化接触数据对学习的实用性。在本工作中，我们研究一种最优实验设计方法，用于合成产生丰富接触数据以进行学习的机器人行为。我们的方法推导了一种接触感知 Fisher 信息度量，用来刻画改善参数学习的-information-rich 接触行为。我们观察到能够激发接触相互作用以高效学习物体参数的机器人行为在各种参数学习示例中呈现出涌现性。最后，我们在几个机器人实验中演示了接触感知对学习参数的实用性。