UF-RNN：基于不确定性驱动前瞻预测的实时自适应运动生成

训练机器人在具有不确定状态的环境中有效运行（例如物体属性模糊或交互不可预测），仍然是机器人学中长期存在的挑战。模仿学习方法通常依赖于成功示例，并且常常忽视不确定性最为突出的失败场景。为解决这一局限，我们提出了不确定性驱动前瞻循环神经网络（UF-RNN），该模型将标准时间序列预测与一个主动的"前瞻（Foresight）"模块相结合。该模块对多条未来轨迹进行内部仿真，并优化隐藏状态以最小化预测方差，从而使模型能够在高不确定性下有选择地探索动作。我们在仿真和真实机器人环境中对开门任务评估了 UF-RNN，结果表明，尽管缺乏显式的失败演示，该模型仍能通过利用其潜空间中自激发的混沌动力学展现出稳健的自适应能力。在前瞻模块的引导下，这些混沌特性能够在环境模糊时激发探索行为，相较于传统的随机 RNN 基线取得了更高的成功率。这些发现表明，将不确定性驱动的前瞻机制集成到模仿学习流程中，能够显著增强机器人处理不可预测的真实世界条件的能力。