通过学习伪度量与约束流形提升学习动力学模型的分布外泛化能力
机器人学
2024-03-21 v2
摘要
我们提出一种方法，用于提升已学习的机器人动力学模型在分布外（OOD）状态上的预测精度。我们通过利用机器人动力学中常存在的两类关键结构来实现这一目标：1）稀疏性，即状态的某些分量可能不影响动力学；2）以非完整约束形式存在的、对可能运动集合的物理限制。关键在于，我们不假设这些结构是先验已知的，而是从数据中学习它们。我们使用对比学习获得一个距离伪度量，以揭示动力学中的稀疏模式，并在学习动力学时利用它缩减输入空间。随后，我们通过从数据中逼近可能运动的法空间来学习未知的约束流形，并用其训练该约束流形的高斯过程（GP）表示。我们在一个物理差分驱动机器人和一个仿真四旋翼上评估了我们的方法，结果显示在OOD数据上相较于基线方法具有更好的预测精度。
引用
@article{arxiv.2403.12245,
title = {Improving Out-of-Distribution Generalization of Learned Dynamics by Learning Pseudometrics and Constraint Manifolds},
author = {Yating Lin and Glen Chou and Dmitry Berenson},
journal= {arXiv preprint arXiv:2403.12245},
year = {2024}
}
备注
Accept to ICRA 2024, 6 pages + references