通过最小化离散欧拉-拉格朗日残差训练结构化力学模型
机器人学
2021-05-06 v1 机器学习
摘要
基于模型的决策与控制范式在机器人学中正变得无处不在。它们依赖于从数据中高效学习系统模型的能力。结构化力学模型（SMMs）是力学系统的一种数据高效黑盒参数化方法，通常通过最小化预测加速度或下一状态与观测值之间的误差来拟合数据。在这项工作中，我们提出了一种通过最小化离散欧拉-拉格朗日残差将 SMMs 拟合到数据的方法。为研究我们的方法，我们将模型拟合到来自无阻尼和阻尼双摆的关节角时间序列，研究了在有观测噪声和无观测噪声数据上学习的模型质量。实验表明，我们的方法学到的模型在精度上优于常规的 SMMs 拟合方案。我们确定了本方法更为适用的用例。用于复现实验的源代码可在 https://github.com/sisl/delsmm 获取。
关键词
引用
@article{arxiv.2105.01811,
title = {Training Structured Mechanical Models by Minimizing Discrete Euler-Lagrange Residual},
author = {Kunal Menda and Jayesh K. Gupta and Zachary Manchester and Mykel J. Kochenderfer},
journal= {arXiv preprint arXiv:2105.01811},
year = {2021}
}