基于可微滤波器的软体机器人动力学多模态学习

可微滤波器作为递归贝叶斯估计器，具备仅从数据推导状态转移与测量模型来学习复杂动力学的能力。这种数据驱动方法消除了对显式解析模型的依赖，同时保持了滤波过程的基本算法组件。然而，增益机制仍不可微，限制了其对特定任务需求与上下文变化的适应性。为应对该局限，本文引入一种称为 {\alpha}-MDF（基于注意力的多模态可微滤波器）的创新方法。{\alpha}-MDF 利用现代注意力机制学习多模态潜在表示，以实现软体机器人中的准确状态估计。通过引入注意力机制，{\alpha}-MDF 提供了将增益机制定制到任务与上下文独特性质的灵活性。{\alpha}-MDF 的有效性通过软体机器人上的真实世界状态估计任务得到验证。我们的实验结果表明，在软体机器人领域状态估计误差显著减小，持续超越可微滤波器基线达至多 45%。