Learn Structure, Adapt on the Fly: 面向空中操作臂机的多尺度残差学习与在线自适应
机器人学
2026-03-13 v1
摘要
自主空中操作臂机（AAM）是内在耦合的非线性系统，具有非平稳和多尺度残差动力学，尤其在操作臂重新配置和突然载荷变化时表现突出。传统的解析动态模型依赖固定的参数结构，而静态数据驱动模型假设动力学平稳，在配置变化和载荷变化时会性能下降。此外，现有的学习架构未显式分解跨变量耦合和多尺度时序效应，混合了瞬时惯性动力学与长期规模演化。我们提出了一个用于AAM实时残差建模与补偿的预测自适应框架。该框架的核心是Factorized Dynamics Transformer（FDT），它将物理变量视为独立的标记。这种设计使跨变量注意力显式化，同时结构性地分离短期尺度的惯性依赖与长期尺度的空气动力学效应。为解决部署时的分布迁移问题，Latent Residual Adapter（LRA）通过递归最小二乘法在潜在空间中执行快速线性自适应，保留离线的非线性表示，同时避免高计算开销。适应后的残差预测直接集成到残差补偿自适应控制器中。在针对未见载荷的空中操作臂机上进行的实际实验表明，本方法在预测保真度、扰动衰减速度和闭环跟踪精度方面均优于最先进的学习基线，同时保持严格的实时可行性。
引用
@article{arxiv.2603.11638,
title = {Learn Structure, Adapt on the Fly: Multi-Scale Residual Learning and Online Adaptation for Aerial Manipulators},
author = {Samaksh Ujjawal and Naveen Sudheer Nair and Shivansh Pratap Singh and Rishabh Dev Yadav and Wei Pan and Spandan Roy},
journal= {arXiv preprint arXiv:2603.11638},
year = {2026}
}