准周期高斯过程预测式迭代学习控制
机器人学
2026-02-23 v1 系统与控制
系统与控制
机器学习
摘要
重复运动任务在机器人领域常见，但由于环境变化和机器人磨损，性能会随时间恶化。迭代学习控制（ILC）通过利用前几次迭代的信息来补偿未来迭代中可预期的误差，从而提高性能。本文将准周期高斯过程（QPGP）引入预测式ILC框架，用于建模和预测跨迭代的扰动与漂移。基于QPGP的最新结构方程表述，所提出的方法能够实现复杂度为 的高效推断，而非 ，其中 表示一次迭代中的点数， 表示总迭代次数，特别适用于较大的 。该表述还能够在不损失信息的前提下进行参数估计，使得在控制回路中实现持续的GP学习变得可计算。通过预测下一次迭代的误差轮廓，而非仅依赖过去的误差，控制器实现更快的收敛，并能在时变扰动下保持收敛。我们将方法在三个任务上与标准ILC和常规高斯过程（GP）基于预测的ILC进行基准测试：自动驾驶车辆轨迹跟踪、三自由度机器人机械臂以及真实世界上的Stretch机器人实验。在所有案例中，所提出的方法收敛更快，并且在注入的自然扰动下保持鲁棒性，同时降低了计算成本。这凸显了其在多种重复动力学系统中的实用性。
引用
@article{arxiv.2602.18014,
title = {Quasi-Periodic Gaussian Process Predictive Iterative Learning Control},
author = {Unnati Nigam and Radhendushka Srivastava and Faezeh Marzbanrad and Michael Burke},
journal= {arXiv preprint arXiv:2602.18014},
year = {2026}
}