利用 Lipschitz 网络自适应弥合模型与现实之间的差距
机器人学
2021-12-08 v1 人工智能
系统与控制
系统与控制
摘要
随着机器人进入现实世界，它们会受到未建模动态和干扰的影响。传统的基于模型的控制方法在相对静态和已知的操作环境中已被证明是成功的。然而，当机器人的精确模型不可用时，基于模型的设计可能导致次优甚至不安全的行为。在这项工作中，我们提出了一种弥合模型-现实差距的方法，使得即使在存在动态不确定性的情况下也能应用基于模型的方法。具体而言，我们提出了一种基于学习的模型参考自适应方法，使具有可能不确定动态的机器人系统表现得像预定义的参考模型。反过来，该参考模型可用于基于模型的控制器设计。与典型的模型参考自适应控制方法不同，我们利用神经网络的表征能力来捕捉高度非线性的动态不确定性，并通过在一种称为 Lipschitz 网络的特殊神经网络的结构设计中编码可证明的 Lipschitz 条件来保证稳定性。我们的方法适用于一类通用的非线性控制仿射系统，即使我们对真实机器人系统的先验知识有限。我们在飞行倒立摆实验中展示了我们的方法，其中现成的四旋翼飞行器被要求在悬停或跟踪圆形轨迹时平衡倒立摆。
引用
@article{arxiv.2112.03756,
title = {Bridging the Model-Reality Gap with Lipschitz Network Adaptation},
author = {Siqi Zhou and Karime Pereida and Wenda Zhao and Angela P. Schoellig},
journal= {arXiv preprint arXiv:2112.03756},
year = {2021}
}