LEARNEST：基于知识型神经常微分方程学习的机器人模型增强状态估计
机器人学
2023-02-16 v2 机器学习
系统与控制
系统与控制
摘要
状态估计是众多机器人应用中的重要环节。本文中，我们考虑通过增强状态估计算法中所用动力学模型，为机器人系统获取精确状态估计的任务。现有框架如移动时域估计（MHE）与无迹卡尔曼滤波（UKF）提供了纳入非线性动力学与测量模型的灵活性。然而，这意味着这些算法中的动力学模型必须足够精确，方能保证状态估计的准确度。为增强动力学模型并提升估计精度，我们采用了一种称为知识型神经常微分方程（KNODE）的深度学习框架。KNODE框架将先验知识嵌入训练过程，并通过融合先验第一性原理模型与神经常微分方程（NODE）模型来综合出精确的混合模型。在我们提出的LEARNEST框架中，我们将该数据驱动模型集成进两种新颖的基于模型的状态估计算法，记为KNODE-MHE与KNODE-UKF。这两种算法在若干机器人应用上与常规对应算法进行比较：利用部分测量的cartpole系统状态估计、地面机器人定位，以及四旋翼状态估计。通过仿真与真实世界实验数据测试，我们展示了所提学习增强状态估计框架的通用性与有效性。
引用
@article{arxiv.2209.08185,
title = {LEARNEST: LEARNing Enhanced Model-based State ESTimation for Robots using Knowledge-based Neural Ordinary Differential Equations},
author = {Kong Yao Chee and M. Ani Hsieh},
journal= {arXiv preprint arXiv:2209.08185},
year = {2023}
}
备注
7 pages, 3 figures, 1 table. Accepted at 2023 IEEE International Conference on Robotics and Automation (ICRA)