面向机器人系统的基于多保真残差物理感知神经过程的实时性能分析
机器人学
2025-11-12 v1 人工智能
机器学习
摘要
众多神经网络架构被用于众多前沿方法中，以实现实时非线性状态估计。随着数据驱动模型日益渗透至估计领域，可靠的误差范围已成为要求，尤其是安全关键应用中更为重要。本文探讨了一种新颖的实时数据驱动估计方法，即基于多保真残差物理感知神经过程 (MFR-PINP) 的实时估计方法，用于机器人系统的状态估计。具体而言，我们针对选取精确运动学模型的模型不匹配问题，使 MFR-PINP 学习简单低保真预测与复杂高保真真实动力学之间的残差。为消除物理实现中的模型不确定性，采用分位数保 conformal (SC) 预测框架提供的鲁棒不确定性保证，纳入训练与推理范式。我们提供基于混合在线学习设置的 MFR-PINP 估计器实现细节，以验证其在实际时序应用中的可用性。实验结果表明，与卡尔曼滤波 (Kalman filter) 的若干前沿变体（即无迹卡尔曼滤波和深度卡尔曼滤波）相比，MFR-PINP 模型在估计场景下表现有希望，作为实时估计任务的可行选项。
引用
@article{arxiv.2511.08231,
title = {Real-Time Performance Analysis of Multi-Fidelity Residual Physics-Informed Neural Process-Based State Estimation for Robotic Systems},
author = {Devin Hunter and Chinwendu Enyioha},
journal= {arXiv preprint arXiv:2511.08231},
year = {2025}
}
备注
8 pages, 5 figures