用于机器人操作的带学习型粗模型的 Parareal 算法

许多机器人基于模型的规划与控制算法的关键组成部分是物理预测，即在给定初始状态与控制序列下预测状态序列。该过程缓慢，是机器人规划算法的主要计算瓶颈。并行时间积分方法有助于利用并行计算加速物理预测从而加速规划。Parareal 算法在粗串行积分器与细并行积分器之间迭代。一个关键挑战是设计计算廉价但足够精确以使 Parareal 快速收敛的粗模型。在此，我们研究在机器人操作背景下使用深度神经网络物理模型作为 Parareal 的粗模型。在以物理引擎 Mujoco 为细传播器的仿真实验中，我们表明学习型粗模型比基于物理的粗模型带来更快的 Parareal 收敛。我们进一步表明，学习型粗模型可将 Parareal 应用于含多个物体的场景，而基于物理的粗模型在此不适用。最后，我们在真实机器人上实验，表明对于多物体机器人推动，Parareal 预测接近真实世界物理预测。视频见 https://youtu.be/wCh2o1rf-gA。