利用贝叶斯推断弥合仿真到现实的差距
机器人学
2024-09-04 v2 机器学习
摘要
我们提出了 SIM-FSVGD，用于从数据中学习机器人动力学。与传统方法不同，SIM-FSVGD 利用低保真物理先验（例如以仿真器的形式）来正则化神经网络模型的训练。在低数据量情况下学习精确动力学的同时，SIM-FSVGD 在更多数据可用时也能扩展并表现出色。我们通过实验证明，使用隐式物理先验进行学习可以得到精确的均值模型估计以及精确的不确定性量化。我们在一个高性能 RC 赛车系统上展示了 SIM-FSVGD 在弥合仿真到现实差距方面的有效性。通过使用基于模型的强化学习，我们演示了一个带有漂移的高动态泊车动作，所用数据量不到现有最优方法的一半。
引用
@article{arxiv.2403.16644,
title = {Bridging the Sim-to-Real Gap with Bayesian Inference},
author = {Jonas Rothfuss and Bhavya Sukhija and Lenart Treven and Florian Dörfler and Stelian Coros and Andreas Krause},
journal= {arXiv preprint arXiv:2403.16644},
year = {2024}
}