在少量试验中学习大规模软体机器人的动态任务

软体机器人比传统刚性机器人具有更高的柔性、顺应性和适应性。它们通常也更轻、制造成本更低。然而，由于建模挑战和难以集成有效的本体感知传感器，其在现实应用中的使用受到限制。大规模软体机器人（长度约两米）因惯性增加和重力相关效应而具有更大的建模复杂性。为缓解这些建模困难而常见的假设简单运动学和动力学模型的做法，也限制了软体机器人的通用能力，且不适用于投掷和锤击等需要快速动态运动的任务。为克服这些挑战，我们提出了一种基于贝叶斯优化的数据高效方法，用于学习大规模软体机器人动态任务的控制策略。该方法直接从指令压力优化任务目标函数，无需将近似运动学或动力学作为中间步骤。我们通过仿真和真实世界实验证明了该方法的有效性。