通过隐式运动适应实现鲁棒的接触丰富操作

接触丰富操作在人类日常活动中扮演重要角色。然而，不确定的物理参数通常给规划和控制带来重大挑战。一个有前景的策略是开发在广泛参数范围内鲁棒的策略。领域适应和领域随机化被广泛使用，但它们要么限制了对新实例的泛化，要么由于忽略实例特定信息而表现保守。显式运动适应通过在线估计系统参数然后从参数增强的基础策略中检索参数条件策略来解决这些问题。然而，它通常需要精确的系统辨识或额外的学生策略训练，这两者在具有多样物理参数的接触丰富操作任务中都具有挑战性。在这项工作中，我们提出隐式运动适应，它允许在粗略估计的参数分布（而非单一估计）下检索参数条件策略。我们利用张量列作为基础策略的隐式表示，通过利用张量核的可分离结构促进参数条件策略的高效检索。该框架消除了精确系统估计和策略重新训练的需要，同时保留了最优行为和强泛化能力。我们提供了理论分析来验证该方法，并在三个接触丰富操作原语上进行了数值评估。仿真和真实世界实验都证明了其在多样实例中生成鲁棒策略的能力。项目网站：https://sites.google.com/view/implicit-ma。