四旋翼机器人动态的长期预测学习

准确建模系统动力学对于实现机器人系统的高性能规划和控制至关重要。虽然现有数据驱动方法为建模动力学提供了前景，但其准确性仅限于短预测时窗，忽略了随预测时窗延长导致的累积预测误差。缓解这些累积误差的策略仍未得到充分探索。为弥合这一差距，本文研究了高效学习四旋翼机器人长期预测动力学的关键设计选择。具体而言，我们分析了多种架构、历史数据和多步损失函数 formulation 对学习过程的影响。我们表明，序列建模技术在最小化累积误差方面具有优势，优于其他类型的解决方案。此外，我们提出了一种新型解耦动力学学习方法，进一步简化了学习过程，同时也增强了方法的模块性。针对真实世界的四旋翼机器人数据进行的大量实验和消融研究表明，所提出的方法具有 versatility 和 precision。我们的结果为增强学习的四旋翼动力学的长期预测准确性（用于规划和控制）提供了若干见解和方法。