基于视觉摩尔斯图的估计方法：在学习潜在空间中估计吸引区域
机器人学
2026-03-03 v2 计算机视觉与模式识别
机器学习
摘要
可达性分析在机器人领域日益重要，用于区分安全状态与不安全状态。然而，现有的可达性和安全分析方法常常不足，因为它们通常需要已知的系统动力学或大量数据来估计准确的系统模型、计算代价高昂，且假设拥有完整的状态信息。最近一种称为 MORALS 的方法旨在通过使用拓扑工具在低维潜在空间中估计吸引区域（ROA），以克服上述不足。然而，MORALS 仍依赖完整的状态知识，尚未研究仅使用传感器测量值时的情形。本文提出了一种基于学习潜在空间的视觉摩尔斯图辅助的吸引区域估计方法（V-MORALS）。V-MORALS 输入给定控制器下系统的基于图像的轨迹数据集，并学习潜在空间以进行可达性分析。通过该学习的潜在空间，我们的方法能够生成定义良好的摩尔斯图，从而可以计算各种系统和控制器的 ROA。V-MORALS 在不依赖状态知识、仅使用高级传感器数据的情况下，提供了类似于原始 MORALS 架构的功能。我们的项目网站位于：https://v-morals.onrender.com。
引用
@article{arxiv.2602.23524,
title = {V-MORALS: Visual Morse Graph-Aided Estimation of Regions of Attraction in a Learned Latent Space},
author = {Faiz Aladin and Ashwin Balasubramanian and Lars Lindemann and Daniel Seita},
journal= {arXiv preprint arXiv:2602.23524},
year = {2026}
}