7、可微分牛顿-欧拉算法在机器人技术中的应用

可微分牛顿-欧拉算法在机器人技术中的应用

1. 引言

在机器人技术中，从数据中识别动力系统是一项强大且重要的任务。学习到的分析模型可用于控制合成，重力和惯性补偿，并且在作为模拟器时，可以减少数据驱动控制方法（如强化学习）的样本复杂性。为了确保物理系统在训练数据之外的泛化能力，模型的假设空间是一个关键的考虑因素。理想情况下，假设空间应定义为只生成物理一致且能量有界的可信轨迹。标准黑盒模型如深度网络或高斯过程虽然可以高保真地模拟任意动力系统，但其在训练分布之外的行为是未定义的，甚至在训练域内也可能违反基本的物理定律。

2. 可微分牛顿-欧拉算法（DiffNEA）

2.1 物理一致性参数

可微分牛顿-欧拉算法（DiffNEA）学习具有完整约束和非完整约束的耗散机械系统的物理一致性参数。DiffNEA通过结合可微分模拟、基于梯度的优化和虚拟参数来推断刚体、约束和摩擦模型的物理上合理的系统参数。这种方法将现有的白盒模型推广到更广泛的动力系统类别。

2.2 模型学习技术

广泛的实验表明，DiffNEA的模型学习技术可以学习包含摩擦力和非完整约束的物理系统的动态模型。这些模型不仅可用于轨迹预测，还可用于强化学习。在实验中，DiffNEA模型比标准的黑盒模型（如深度网络）获得了更准确的动态模型。然而，现实中，这些模型的准确性并不一定比黑盒模型高出几个数量级，只有当模型假设有效，训练数据均匀采样于完整的状态域，并且获得理想的关节观测值时，DiffNEA模型才能识别出近乎完美的模型。

2.3 最坏情况行为和泛化能力

DiffNEA模型的主要优势在于其最坏情况下的行为和泛化能力。虽然黑盒