面向模型预测控制的上下文感知深 Lagrangian 网络
机器人学
2025-07-29 v3 机器学习
摘要
基于物理一致性动力学模型（如深 Lagrangian 网络，DeLaN）控制机器人，可提高所得行为的可解释性和可推广性。然而，在复杂环境中，可能要与之交互的对象数量庞大，且其物理属性往往不确定。这种复杂性使得采用单个全局模型变得不可行。因此，我们需要采用在线系统辨识，以捕获当前相关方面的上下文感知模型。虽然诸如能量守恒等物理原理在不同上下文之间可能不成立，但确保任何单个上下文感知模型在物理上具有可信度，尤其是在使用诸如模型预测控制 (MPC) 等再计划方法时，仍然是高度可取的。因此，本文将 DeLaN 扩展为具备上下文感知能力，结合循环网络进行在线系统辨识，并集成到 MPC 用于自适应、物理一致的控制。我们还将 DeLaN 与残差动力学模型结合，以利用通常可获得的机器人名义模型。我们在 7 自由度机器人机械臂上进行轨迹跟踪评估，测试在不同负载下的性能。我们的方法将末端执行器跟踪误差降低 39%，而采用扩展卡尔曼滤波器的基线方法仅实现 21% 的改进。
引用
@article{arxiv.2506.15249,
title = {Context-Aware Deep Lagrangian Networks for Model Predictive Control},
author = {Lucas Schulze and Jan Peters and Oleg Arenz},
journal= {arXiv preprint arXiv:2506.15249},
year = {2025}
}
备注
Accepted to the 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025)