基于模型预测路径积分控制的避不确定推操作
机器人学
2019-07-03 v2
摘要
规划鲁棒的机器人操作需要良好的前向模型，以便找到鲁棒的规划方案。本文展示了如何利用从机器人数据中学习到的前向模型来规划推操作。我们探索了能够提供预测不确定性估计的学习方法（高斯过程回归和混合密度网络集成）。这些学习模型被模型预测路径积分 (MPPI) 控制器利用，以规划如何将盒子推向目标位置。该规划器避免了前向模型中高预测不确定性的区域。这包括动力学中的固有不确定性以及由于数据有限导致的元不确定性。因此，推任务能够以前向模型中估计的不确定性为基准，以鲁棒的方式完成，且无需可微的成本函数。我们在真实机器人上演示了该方法，并表明学习可以优于物理仿真。利用仿真，我们还展示了规划避不确定路径的能力。
引用
@article{arxiv.1710.04005,
title = {Uncertainty Averse Pushing with Model Predictive Path Integral Control},
author = {Ermano Arruda and Michael J Mathew and Marek Kopicki and Michael Mistry and Morteza Azad and Jeremy L Wyatt},
journal= {arXiv preprint arXiv:1710.04005},
year = {2019}
}
备注
Humanoids 2017. Supplementary video: https://youtu.be/LjYruxwxkPM