Mamba 用于机器人仿真学习的运动编码器
最优化与控制
2024-09-09 v2
摘要
仿真学习的最新进展，特别是与LLM技术的集成，正在为机器人的灵活性和适应性带来显著提升。本文提出使用Mamba——一种具有潜在LLM应用的前沿架构——用于机器人仿真学习，突出其作为有效捕获上下文信息的编码器的能力。通过降低状态空间的维度，Mamba的工作方式类似于自编码器。它有效地将序列信息压缩到状态变量中，同时保留实现精确运动预测所必需的关键时序动态。实验结果在杯子放置和箱体装载等任务中表明，尽管Mamba在估计误差上表现较差，但在实际任务执行中实现了优于Transformer的更高成功率。这种性能得益于Mamba的结构，即包含时序空间模型。此外，本研究还探讨了Mamba作为实时运动生成器的能力，仅需少量训练数据即可实现。
引用
@article{arxiv.2409.02637,
title = {Revenue Management with Calendar-Aware and Dependent Demands: Asymptotically Tight Fluid Approximations},
author = {Weiyuan Li and Paat Rusmevichientong and Huseyin Topaloglu},
journal= {arXiv preprint arXiv:2409.02637},
year = {2024}
}