Sep, 2018

频率感知模型预测控制

PDF
TL;DR通过提出基于频率的成本函数在轨迹优化中实现对于机器人模型误差的鲁棒性设计，从而增加运动规划的稳定性和兼容性。在通过模拟和硬件实验优化动作规划并在机器人 ANYmal 上进行实验后，成功地提高了机器人对于不确定环境和具有不同活动性的地形的适应性。
trajectory optimizationunmodeled dynamicscompliant contactsactuator dynamicsoptimal control
发现论文，激发创造
  • 学习低频运动控制，实现鲁棒和动态机器人运动

    通过在真实机器人 ANYmal C 上执行 8-200Hz 的深度强化学习基于动作控制策略，我们展示了使用低频控制某种程度上可以实现比高频控制更加鲁棒和动态的机器人运动，这在不考虑动力学随机化或作用建模的情况下即可成功进行模拟到实物的转移。

    Sep, 2022

  • 四足机器人的敏捷机动：一种预测控制方法

    本文提出了一种混合预测控制器，使用触觉信息和全身动力学来局部预测机器人的未来动作，实现了机器人快速生成灵活的运动。通过跟踪反馈策略，该预测控制器能够在没有使用单独的全身控制器的情况下执行低级扭矩控制。

    Mar, 2022

  • 基于自适应模型预测控制的轮式移动机器人控制

    本文演示了一种基于自适应模型预测控制框架的控制算法，用于引导具有未知惯性的两轮移动机器人以一定方向到达目标点，其中使用了递归最小二乘算法更新了一组标称参数。

    Jan, 2022

  • 通过转移模型学习连续控制策略

    通过学习过渡模型，我们可以使用它来驱动摊销政策的学习。因此，我们重访了政策优化并描述了一个模块化神经网络架构，该架构从预测错误中同时学习了系统动力学和生成适当连续控制命令的随机策略，并通过与线性二次调节器的基线进行比较来评估模型。

    Sep, 2022

  • 无模型的复杂动态轨迹跟踪控制与机器学习

    通过模型无关的机器学习框架和储水计算方法，实现对双臂机器人操纵器的跟踪控制，仅使用部分观测状态，并且该控制框架在周期性和混沌信号方面表现出有效性和对测量噪声、干扰和不确定性的鲁棒性。

    Sep, 2023

  • 通过学习分类器实现自适应模型预测控制

    本文提出了一种自适应 MPC 系统，可以通过利用贝叶斯优化和经典的 EI 获取方法自动估计控制和模型参数，通过机器学习方法用于密度比估计从而实现该控制器在多种有挑战性的机器人操作任务上的鲁棒性。

    Mar, 2022

  • 通过分段仿射逼近实现灵巧操作的本地轨迹稳定化

    我们提出了一个基于模型的方法来设计巧妙的机器人操作反馈策略，利用轨迹优化找到可行的轨迹，并使用多面体构建线性化轨迹的漏斗以及在线执行时解决线性问题以跟踪系统轨迹。

    Sep, 2019

  • 推子滑块系统的反馈控制：混合和欠驱动接触动力学的故事

    本文研究具有摩擦接触作用的动态系统的实时控制策略，通过在平面推动系统上考虑和测试一种新的反馈控制器设计，解决了多个复杂控制问题，包括摩擦角的动态约束和接触模式的混合特性，提出了一种基于 FOM 的模型预测控制方案来实现实时控制，并且通过对 ABB IRB 120 机械臂进行数字模拟和实验结果验证控制器设计的有效性。

    Nov, 2016

  • 针对连续控制评估基于模型的规划和规划器分摊

    本文探讨了基于模型的控制方法是否能够超越基于数据的方法。研究人员通过将模型预测控制与学习模型和基于数据的策略学习相结合的方式，对多种具有挑战性的运动任务进行了评估，并发现：经过良好调节的基于数据的策略学习代理是高自由度控制问题的强基准。但是，针对困难的多任务 / 多目标场景，经过训练的动态模型和学习的策略作为模型预测控制的建议，可以显著提高性能和数据效率。最后，研究表明，即使没有性能损失，也可以将基于模型的规划器简化为一种策略，从而将计划计算的负担分担到了策略中。

    Oct, 2021

  • 基于价值限制的无模型连续控制

    提出了一种基于 Lagrangian relaxation 的约束强化学习方法，通过同时优化任务奖励和某些辅助成本来确保任务成功，展示了在连续控制基准任务、优化能量的四足动物运动任务以及实际机器人臂夹取任务上，该方法的有效性。

    Feb, 2019