具有记忆的反应式预见性机器人技能
机器人学
2022-09-26 v1
摘要
近年来，机器人学中的最优控制日益流行，并已应用于许多涉及复杂动力系统的任务中。闭环最优控制策略包括模型预测控制（MPC）以及通过 iLQR 优化的时变线性控制器。然而，此类反馈控制器依赖于当前状态信息，限制了那些需要机器人记住先前行为以相应行动与规划的机器人应用范围。近期提出的系统级综合（SLS）框架通过具有记忆的更丰富控制器结构规避了这一局限。在本工作中，我们将 SLS 推广至涉及非线性系统与非二次代价函数的跟踪问题，以最优地设计具有记忆的反应式预见性机器人技能。我们以两个场景展示了所提方法：在模拟及真实环境中，利用 7 轴 Franka Emika 机器人在抓取-放置任务中的任务精度与物体可供性（affordances）。
引用
@article{arxiv.2209.11500,
title = {Reactive Anticipatory Robot Skills with Memory},
author = {Hakan Girgin and Julius Jankowski and Sylvain Calinon},
journal= {arXiv preprint arXiv:2209.11500},
year = {2022}
}