面向机器人的信赖域神经滚动时域估计
机器人学
2024-03-08 v4 系统与控制
系统与控制
摘要
准确的扰动估计对于机器人安全作业至关重要。近期提出的神经滚动时域估计（NeuroMHE）使用可移植神经网络对 MHE 的加权进行建模，在进一步突破精度与效率边界方面已展现出潜力。目前，NeuroMHE 通过梯度下降训练，其梯度利用卡尔曼滤波器递归计算。本文提出一种用于训练 NeuroMHE 的信赖域策略优化方法。我们通过给出 MHE 的二阶导数（称为 MHE Hessian）来实现这一点。值得注意的是，我们表明许多已用于获取梯度的计算，尤其是卡尔曼滤波器，可被高效地复用以计算 MHE Hessian。这提供了相对于 MHE 时域的线性计算复杂度。作为一个案例研究，我们在真实四旋翼飞行数据上评估所提信赖域 NeuroMHE 以进行扰动估计。我们的方法在仅使用 100 个数据点的情况下，在 5 分钟内即展现出极高效率的训练。它在力估计精度上比最先进的神经估计器高出至多 68.1%，且仅使用其 1.4% 的网络参数。此外，与梯度下降对应方法相比，我们的方法展现出对网络初始化增强的鲁棒性。
引用
@article{arxiv.2309.05955,
title = {Trust-Region Neural Moving Horizon Estimation for Robots},
author = {Bingheng Wang and Xuyang Chen and Lin Zhao},
journal= {arXiv preprint arXiv:2309.05955},
year = {2024}
}
备注
This paper (not the final version) has been accepted for presentation at the ICRA2024