23、结合归纳偏置与机器学习提升机器人控制性能

结合归纳偏置与机器学习提升机器人控制性能

1 引言

机器人技术与控制中的一个重要挑战是如何编程一个具有有限能力的机器人来执行任务。传统方法依赖于精心设计的模块，这些模块通过可解释的接口相互连接。然而，这种方法劳动强度大，且在非结构化环境中难以实现。近年来，深度学习方法逐渐兴起，通过端到端学习简化了这一过程，但其泛化能力和物理一致性受到了质疑。为此，我们提出了一种结合归纳偏置与机器学习的新方法，以提高机器人控制的性能。

2 可微分牛顿-欧拉算法（DiffNEA）

2.1 动机

可微分牛顿-欧拉算法（DiffNEA）重新解释了刚体的经典系统识别方法。通过利用自动微分、虚拟参数和基于梯度的优化，DiffNEA确保了物理上一致的参数，并适用于更广泛的动力系统类别。特别是，它在非完整约束和非线性摩擦系统中表现出色。与传统的线性回归方法不同，DiffNEA能够学习复杂的摩擦模型，并将这些模型应用于具有非完整约束的系统。

2.2 实验评估

在实验中，我们将DiffNEA应用于多个物理系统，包括Furuta摆锤和Cartpole。实验表明，DiffNEA模型在需要外推时表现卓越，尤其是在基于模型的强化学习中。例如，在球入杯任务中，DiffNEA模型仅用4分钟的数据就学会了准确的动态模型，并成功解决了任务。相比之下，黑盒深度网络由于过度拟合而无法解决这一任务，最终收敛于随机运动。

2.3 DiffNEA的优势

DiffNEA的主要优势在于其最坏情况下的行为和泛化能力。具体来说：

• 物理一致性 ：DiffNEA模型始