从零到实时自主：非结构化环境中的动力学在线自适应

自主机器人在非结构化环境中运行时，必须在数秒内从零先验知识过渡到安全控制。地形的突然变化（例如突然过渡到冰面）会产生动力学偏移，除非模型能够实时自适应，否则会使规划器失稳。我们提出了一种将函数编码器与递推最小二乘法相结合的在线自适应方法，将函数编码器系数视为从流式里程计更新的隐状态。这实现了恒定时间的系数估计，无需基于梯度的内循环更新，从而仅凭几秒的数据即可完成自适应。我们在范德波尔系统上评估了该方法以展示算法行为，在 Unity 模拟器中用于高保真越野导航，并在 Clearpath Jackal 机器人上进行了评估，包括在当地溜冰场的挑战性地形上。在这些场景中，与静态和元学习基线相比，我们的方法提高了模型精度和下游规划性能，减少了碰撞。