切勿过于刚性：基于 LLM 和 Lyapunov 的自适应虚拟模型控制
机器人学
2025-10-28 v1 系统与控制
系统与控制
摘要
机械臂正日益部署到不确定的环境中，但常规控制管线在面对扰动或不完整信息时往往变得僵化且脆弱。虚拟模型控制（VMC）通过嵌入虚拟力并将其映射到关节扭矩，实现顺应行为，但其对固定参数和虚拟组件有限协调的依赖限制了适应性，可能在任务目标演变时削弱稳定性。为解决这些限制，我们提出一种结合大型语言模型（LLM）和 Lyapunov 基于的强化学习（RL）的自适应 VMC 方法，既保留 VMC 的物理可解释性，又支持以稳定性为保证的在线适应。LLM 提供结构化先验和高层次推理，增强虚拟组件之间的协调，提高样本效率，并便于灵活调整以适应不同任务要求。此外，Lyapunov 基于 RL 强制执行理论稳定性约束，确保在不确定性下的安全可靠适应。对 7 自由度 Panda 机械臂进行的广泛仿真表明，我们的方法有效地平衡了动态任务中的竞争目标，实现了卓越的性能，凸显了 LLM 指导与 Lyapunov 约束适应相互作用的优势。
引用
@article{arxiv.2510.22892,
title = {Never Too Rigid to Reach: Adaptive Virtual Model Control with LLM- and Lyapunov-Based Reinforcement Learning},
author = {Jingzehua Xu and Yangyang Li and Yangfei Chen and Guanwen Xie and Shuai Zhang},
journal= {arXiv preprint arXiv:2510.22892},
year = {2025}
}