用于逆动力学建模的张量分解

建模逆动力学对于精确的机器人前馈控制至关重要。该模型计算执行期望运动所需的关节力矩。动力学系统高度非线性的逆函数可使用回归技术近似。我们提出一种张量分解模型作为回归方法，其利用了位置 × 速度 × 加速度固有的三向交互。大多数张量分解工作致力于稠密张量的分解。本文中，我们基于稀疏张量的分解构建，其仅有少量非零项。稀疏张量的分解已成功用于关系学习，例如大型知识图的建模。近期，该方法已扩展到具有离散输入变量的多类分类。将数据显示为高维稀疏张量可实现复杂高度非线性函数的近似。本文中我们展示稀疏张量的分解如何应用于回归问题。此外，我们通过使用基函数学习从连续输入到张量分解潜在表示的映射，将方法扩展到连续输入。我们在一个包含七自由度 SARCOS 机械臂轨迹的数据集上评估所提模型。实验结果表明，与具挑战性的当前最优（SOTA）方法相比，所提函数式张量模型具有更优性能。