为切换线性动力学模型学习反应式与预测式可微控制器
机器人学
2021-03-29 v1 人工智能
机器学习
摘要
人类利用环境及自身身体的动力学来完成具有挑战性的任务，例如边走边抓取物体，或推墙以转弯。此类任务常涉及切换动力学，因为机器人建立并断开接触。学习这些动力学是难题且易出现模型不准确，尤其在接触区域附近。本工作中，我们提出一个从专家示范中学习复合动力学行为的框架。我们学习一个切换线性动力学模型，将接触编码于切换条件中，作为系统动力学的近似。随后我们使用离散时间 LQR 作为可微策略类，进行数据高效的控制学习，以开发一种跨越多种动力学模态并考虑接触引起不连续性的控制策略。除预测与环境的交互外，我们的策略能对不准确预测（如意外接触）有效反应。通过仿真与真实世界实验，我们展示了所学行为对不同场景的泛化能力以及执行期间对模型不准确的鲁棒性。
引用
@article{arxiv.2103.14256,
title = {Learning Reactive and Predictive Differentiable Controllers for Switching Linear Dynamical Models},
author = {Saumya Saxena and Alex LaGrassa and Oliver Kroemer},
journal= {arXiv preprint arXiv:2103.14256},
year = {2021}
}