基于物理知识蒸馏学习含未知扰动的引力动力学深度网络：初步可行性研究
机器人学
2022-10-05 v1
摘要
由于采样复杂性，为高自由度(DOF)机器人学习高性能深度神经网络以进行动力学建模仍然具有挑战性。由未建模动力学（如内部柔顺性、线缆）引起的典型未知系统扰动进一步加剧了该问题。本文提出了一种兼具高数据效率与扰动适应能力的新框架，以解决在高-DOF 主机械臂前馈重力补偿控制中，利用深度网络对含未知扰动的重力动力学进行建模的问题。具体而言，前馈深度神经网络(FDNNs)通过知识蒸馏(KD)从现有解析模型的先验知识与机器人系统观测中学习得到。通过在具有显著扰动的高-DOF 主机械臂上的大量实验，我们表明该方法在数据效率与扰动适应性方面优于标准的从零学习(LfS)方法。我们的初步可行性研究已展示出随着训练数据增加超越解析教师模型的潜力。
引用
@article{arxiv.2210.01398,
title = {Learning Deep Nets for Gravitational Dynamics with Unknown Disturbance through Physical Knowledge Distillation: Initial Feasibility Study},
author = {Hongbin Lin and Qian Gao and Xiangyu Chu and Qi Dou and Anton Deguet and Peter Kazanzides and K. W. Samuel Au},
journal= {arXiv preprint arXiv:2210.01398},
year = {2022}
}