可泛化且快速的代理模型：基于物理信息神经网络的关节型软体机器人模型预测控制
机器人学
2025-11-19 v3 机器学习
摘要
软体机器人有望在灵巧性和安全性要求极高的若干应用中带来变革。在操作这些系统时，实时估计与控制需要快速且精确的模型。然而，基于第一性原理（FP）模型的预测速度较慢，而学习的黑箱模型泛化能力差。物理信息机器学习在此处提供了极佳的优势，但目前仅限于简单的、通常是仿真的系统，且未考虑训练后的变化。我们针对关节型软体机器人（ASR）提出物理信息神经网络（PINNs），重点关注数据效率。昂贵的真实世界训练数据量被降至最低——仅在一个系统域中使用一个数据集。使用不同域中两小时的数据，与两种黄金标准方法进行对比：与循环神经网络相比，PINN提供了高泛化能力。在精度略有降低的情况下，PINN的预测速度比精确的FP模型最高提升了467倍。这使得对气动ASR进行非线性模型预测控制（MPC）成为可能。在六项动态实验中，以47 Hz运行的MPC实现了精确的位置跟踪。
引用
@article{arxiv.2502.01916,
title = {Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks},
author = {Tim-Lukas Habich and Aran Mohammad and Simon F. G. Ehlers and Martin Bensch and Thomas Seel and Moritz Schappler},
journal= {arXiv preprint arXiv:2502.01916},
year = {2025}
}
备注
Accepted for publication in IEEE Transactions on Robotics (T-RO) 2025