STEADY：基于间接观测的同步状态估计与动力学学习
机器人学
2022-09-26 v3 机器学习
摘要
精确的动力学模型在许多机器人学应用中起着关键作用，例如越野导航与高速驾驶。然而，许多学习随机动力学模型的前沿方法需要以机器人状态的精确测量作为带标签的输入/输出样本，由于传感器能力有限且缺乏真值，这在户外环境中难以获取。在本工作中，我们提出一种通过执行同步状态估计与动力学学习，从含噪间接观测中学习神经随机动力学模型的新技术。所提技术在期望最大化循环中迭代改进动力学模型：E 步使用粒子滤波采样后验状态轨迹，M 步通过随机梯度上升使动力学与采样轨迹更一致。我们在仿真与真实世界基准上评估了该方法，并与若干基线技术比较。我们的方法不仅达到显著更高的精度，而且对观测噪声更具鲁棒性，从而展现出提升许多其他机器人学应用性能的潜力。
引用
@article{arxiv.2203.01299,
title = {STEADY: Simultaneous State Estimation and Dynamics Learning from Indirect Observations},
author = {Jiayi Wei and Jarrett Holtz and Isil Dillig and Joydeep Biswas},
journal= {arXiv preprint arXiv:2203.01299},
year = {2022}
}
备注
Accepted for publication in the Proceedings of IROS 2022