浮动基座深层拉格朗日网络
机器人学
2026-03-04 v2 系统与控制
系统与控制
摘要
灰箱方法结合深度学习与物理约束进行系统识别，捕捉复杂依赖关系并提高外分布泛化。尽管浮动基座系统（如人形和四足机器人）的重要性日益增长，但当前灰箱模型忽略其特定物理约束。例如，惯性矩阵不仅是正定的，而且表现出分支引起的稀疏性和输入独立性。此外，浮动基座的6x6复合空间惯性继承了单个刚体惯性矩阵的属性。如我们所展示的，这包括复合旋转惯性特征值三角不等式。为解决深度学习模型在浮动基座系统中缺乏物理一致性的问题，我们引入了满足所有这些约束的惯性矩阵参数化方法。灵感来自深层拉格朗日网络(Deep Lagrangian Networks, DeLaN)，我们训练神经网络以预测在拉格朗日力学下最小化逆动力学误差的物理合理惯性矩阵。为进行评估，我们收集并发布了来自多个四足动物和人形机器人的 数据集。在这些实验中，我们的浮动基座深层拉格朗日网络(Floating-Base Deep Lagrangian Networks, FeLaN)在模拟和实际机器人上实现了更好的整体性能，同时提供了更大的物理可解释性。
引用
@article{arxiv.2510.17270,
title = {Floating-Base Deep Lagrangian Networks},
author = {Lucas Schulze and Juliano Decico Negri and Victor Barasuol and Vivian Suzano Medeiros and Marcelo Becker and Jan Peters and Oleg Arenz},
journal= {arXiv preprint arXiv:2510.17270},
year = {2026}
}