面向高效线性参数时变动力系统学习的方向感知混合模型并行采样
机器人学
2024-03-26 v3 系统与控制
系统与控制
摘要
线性参数时变动力系统(LPV-DS)是一种有效的方法,它利用统计建模与半定优化学习稳定、时不变的运动策略,以编码复杂运动用于反应式机器人控制。尽管有其优势,LPV-DS学习方法在保持计算效率的同时实现高模型精度方面面临挑战。为此,我们提出方向感知混合模型(DAMM),一种新颖的统计模型,其在 n-球面 上应用黎曼度量,以高效融合非欧几里得方向数据与 欧几里得状态。此外,我们开发了结合吉布斯采样与分裂/合并提议的混合马尔可夫链蒙特卡洛技术,支持并行计算以大幅加速推断。我们广泛的实证测试表明,相较于标准估计方法,集成DAMM的LPV-DS在各数据集上实现了更高的复现精度、更优的模型效率以及近实时/在线学习。最后,我们在真实机器人实验中展示了其增量学习多行为策略的适用性。
引用
@article{arxiv.2309.02609,
title = {Directionality-Aware Mixture Model Parallel Sampling for Efficient Linear Parameter Varying Dynamical System Learning},
author = {Sunan Sun and Haihui Gao and Tianyu Li and Nadia Figueroa},
journal= {arXiv preprint arXiv:2309.02609},
year = {2024}
}