ContactNets：用平滑隐式表示学习不连续接触动力学
机器人学
2020-11-03 v2 机器学习
摘要
常见的机器人动力学学习方法假设运动是连续的，这导致对经历不连续冲击与滞黏行为的系统产生不真实的模型预测。在本工作中，我们通过平滑、隐式地编码接触引发的不连续性所固有的结构来解决这一矛盾。我们的方法 ContactNets 学习体间有符号距离与接触坐标系雅可比矩阵的参数化，这一表示与许多机器人仿真、控制与规划环境兼容。此外，我们借助受互补性与最大耗散原理启发的新颖损失函数，规避了在刚性或非平滑动力学中求导的需求。我们的方法在仅以 60 秒真实世界数据训练时，即可预测真实的冲击、非穿透与滞黏行为。
引用
@article{arxiv.2009.11193,
title = {ContactNets: Learning Discontinuous Contact Dynamics with Smooth, Implicit Representations},
author = {Samuel Pfrommer and Mathew Halm and Michael Posa},
journal= {arXiv preprint arXiv:2009.11193},
year = {2020}
}
备注
S.P. and M.H. contributed equally to this work; Accepted to CoRL 2020