Jun, 2020

路径积分控制下参数不确定性的基于模型的泛化

PDF
TL;DR本研究在复杂环境中研究了机器人交互问题，通过扩展路径积分控制的自由能公式中的样本空间，提出了一种嵌入不确定性的路径积分控制方法，为基于模型的机器人规划提供了鲁棒性，实验证明了其能够在不损失性能的情况下实时运行。
发现论文，激发创造
  • 高斯过程运动规划的统一变分框架

    基于变分高斯过程的机器人运动规划算法，通过统一和概括各种基于概率推断的运动规划算法，平衡了路径的成功率和质量，并且提供了不确定性估计。

    Sep, 2023

  • 基于非高斯不确定性的随机非线性机器人系统控制最小化

    该论文提出了一种针对非线性机器人系统中存在的概率不确定性和干扰的闭环控制问题的解决方案，并将控制器设计问题作为概率分布的统计量的优化问题来处理，以此来降低跟踪偏差，并通过与现有的概率控制方法的比较来证明其性能。

    Mar, 2023

  • 路径积分导向的策略搜索

    本文提出了一种通过策略搜索学习复杂的反馈控制策略的方法，该策略可将高维度感知输入映射到电机扭矩以执行具有不连续性接触动力学的操纵任务，该方法在使用先前的技术基础上进行了改进，使用了基于 PI2 的无模型本地优化器和使用 on-policy 抽样来训练针对一系列任务实例的复合全局策略，从而实现了直接从视觉输入执行扭矩控制的深度神经网络策略。

    Oct, 2016

  • 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

  • 频率感知模型预测控制

    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。

    Sep, 2018

  • 路径积分控制与状态依赖反馈

    本文提出了利用广义路径积分控制公式计算状态相关反馈控制器来解决路径积分控制问题的方法，并阐述了控制成本和有效采样大小之间的关系。最优控制器提供了零方差估计。

    Jun, 2014

  • ASID：机器人操作中的系统辨识主动探索

    通过利用少量真实世界数据来自动完善模拟模型并规划准确的控制策略，在多个具有挑战性的机器人操作任务中，我们展示了这种模式对识别关节、质量和其他物理参数的有效性，并且说明了只需少量真实世界数据即可进行有效的模拟到真实世界的转换。

    Apr, 2024

  • 学习针对重复操作系统的个性化最优控制

    此研究讨论在参数不确定性的情况下，以在线学习的方法针对连续操作系统进行最优控制，在考虑随机性因素的情况下，设计了一种能够个性化控制输入的智能体，并在模拟系统上验证了算法的有效性。

    Sep, 2016

  • 野外 AMP：学习强健、敏捷、自然的腿部运动技能

    本文提出了一种新的算法，可以推断关于动态系统参数的信息，同时从先前的观察中估计有关机器人状态的重要信息，并将其与 Adversarial Motion Priors 结合，实现了机器人在真实世界中稳定、灵活和自然的步态，从实验结果中发现相对于基线算法，我们提出的算法能够以更低的功耗遍历具有挑战性的地形。

    Apr, 2023

  • 学习时序优化路径跟踪，带或不带感觉反馈

    本文提出了一种基于学习的方法，使机器人能够在不超过每个机器人关节的位置、速度、加速度和抖动的限制条件下快速跟随以关节空间定义的参考路径。

    Mar, 2022