数据高效、可解释且安全的箱体操纵：阐释物理先验在模型预测控制中的优势

基于模型的强化学习/控制在机器人学中获得了显著关注。然而，这些方法往往数据效率低下，且缺乏手工设计解决方案的可解释性。这使得它们难以在安全关键场景中进行调试/集成。但在许多系统中，关于环境运动学/动力学的先验知识是可用的。融入此类先验可通过降低问题复杂度和探索需求来帮助解决上述问题，同时也便于用具有物理意义的实体来表达智能体所采取的决策。本文旨在通过案例研究阐释并支持这一观点。我们基于真实机器人系统对载荷操纵问题建模，并表明在 MPC 框架中利用关于环境动力学的先验知识可带来可解释性、安全性和数据效率的提升，从而以更少的数据获得令人满意的泛化特性。