1、结合先验知识与深度学习的机器人控制技术

结合先验知识与深度学习的机器人控制技术

1 引言

在当今快速发展的机器人技术领域，如何编程使具有有限能力的机器人执行任务是一个基本问题。经典机器人学通过精心设计的模块化结构来解决这一问题，这些模块通过解释性接口相连。例如，一个模块负责感知环境并估计系统状态，另一个模块使用状态和模拟器规划未来动作，控制器则将计划转化为电机扭矩。这种方法构建了复杂的系统，如类人机器人完成空翻、火星探测车在火星上行驶以及机械臂组装汽车。然而，经典方法劳动强度大，且在非结构化环境中几乎无法手动开发。

近年来，深度学习的兴起为机器人编程带来了新的思路。通过黑盒模型和数据驱动的方法，深度学习可以实现复杂的任务，而无需深入了解各个模块。然而，这种方法需要大量数据，且难以外推到训练数据之外。因此，如何结合现有知识和数据驱动的深度学习方法来学习适用于物理机器人的模型和策略成为一个重要的研究课题。

2 贡献

为了展示如何将先验知识与深度学习相结合，我们提出了三种不同的算法，这些算法可以学习动态模型或最优策略。以下是这些算法的具体贡献：

2.1 可微分的牛顿-欧拉算法（DiffNEA）

DiffNEA重新解释了刚体的经典系统识别技术。通过利用自动微分、虚拟参数和基于梯度的优化，DiffNEA保证了物理一致的参数，并适用于更广泛的动力系统类别。具体步骤如下：

1. 自动微分 ：使用自动微分框架（如PyTorch）对运动方程进行反向传播，以计算参数的梯度。
2. 虚拟参数 ：引入无限制的虚拟参数，确保物理参数的合理性。例如，通过优化质