TAG-K：用于计算高效且性能优异的在线惯性参数估计的尾均值贪心Kaczmarz算法
机器人学
2026-05-11 v2
摘要
准确的在线惯性参数估计对于自适应机器人控制至关重要，使能够实时调整有效负荷变化、环境相互作用以及系统磨损。传统方法往往难以跟踪突发参数变化或产生高计算成本，限制了其在动态环境和计算受限的机器人系统中的有效性。我们引入TAG-K，这是一种轻量级的Kaczmarz方法扩展，融合了贪心随机行选择以实现快速收敛，同时采用尾均值以应对噪声和不一致性。这种设计使我们能够在保持Kaczmarz框架固有低迭代复杂度的同时，实现快速稳定的参数适应。我们在合成基准和四旋翼机跟踪任务中对TAG-K进行了评估，与RLS、KF和其他Kaczmarz变体进行了比较。TAG-K在笔记本级CPU上的求解速度快1.5倍至1.9倍，在嵌入式微控制器上快4.8倍至20.7倍。更重要的是，这些加速措施伴随着对测量噪声的改进鲁棒性以及25%的估计误差降低，导致端到端跟踪性能几乎提升了2倍。网站、文档和代码均可在https://a2r-lab.org/TAG-K/访问。
引用
@article{arxiv.2510.04839,
title = {TAG-K: Tail-Averaged Greedy Kaczmarz for Computationally Efficient and Performant Online Inertial Parameter Estimation},
author = {Shuo Sha and Anupam Bhakta and Zhenyuan Jiang and Kevin Qiu and Ishaan Mahajan and Gabriel Bravo-Palacios and Brian Plancher},
journal= {arXiv preprint arXiv:2510.04839},
year = {2026}
}
备注
Accepted to ICRA 2026. 3 Figures. 3 Tables