通过能量最小化学习控制问题的解流形
机器人学
2023-02-07 v2 机器学习
摘要
多种控制任务，如逆运动学（IK）、轨迹优化（TO）与模型预测控制（MPC），通常被表述为能量最小化问题。此类问题的数值求解方法已相当成熟。然而，这些方法通常过慢，无法直接用于实时应用。替代方案是在离线阶段学习控制问题的解流形。尽管该蒸馏过程在模仿学习设定中可平凡地表述为行为克隆（BC）问题，我们的实验凸显了由于局部极小不兼容、插值伪影以及状态空间覆盖不足所引发的一系列显著缺陷。本文提出一种替代 BC 的高效且数值鲁棒的方法。我们将解流形的学习表述为对感兴趣问题空间上积分的控制目标能量项的最小化。我们用一种结合受蒙特卡洛启发的自适应采样策略与用于求解单个控制任务实例的导数的新方法来最小化该能量积分。我们在一系列复杂度递增的机器人控制问题上评估了我们的表述，并通过与传统方法（如行为克隆与 Dataset aggregation（Dagger））的比较凸显其优势。
引用
@article{arxiv.2203.03432,
title = {Learning Solution Manifolds for Control Problems via Energy Minimization},
author = {Miguel Zamora and Roi Poranne and Stelian Coros},
journal= {arXiv preprint arXiv:2203.03432},
year = {2023}
}
备注
IEEE Robotics and Automation Letters (RA-L), 2022. Also in: Intelligent Robots and Systems (IROS)