Disturbance-Aware Aerial Robotics for Ethical Wildlife Monitoring
Department of Computing, Jonkoping University(约翰内斯堡大学计算机系);Department of Information Systems, University of Haifa(海法大学信息系统系)
提出一种基于强化学习的扰动感知框架,用于异构空中机器人编队自主追踪野生动物,同时最小化行为干扰,在三种动物和四种行为模型上超越规则基线。
2026-06-06 cs.LG cs.RO
Statistical Turbulence and High-Fidelity Disturbance Fields for Quadrotor Flight Control
Peking University(北京大学)
本文量化风场保真度对四旋翼强化学习控制器鲁棒性的影响,发现离散阵风域随机化训练最有效,且控制权限而非风真实性限制鲁棒性。
2026-10-07 cs.LG cs.RO physics.flu-dyn
Neural-ESO: A Dual-Pathway Architecture for Provably Robust Learning-Based Control
University of Houston(休斯顿大学);Rice University(莱斯大学)
本文提出基于神经扩展状态观测器(Neural-ESO)的干扰抑制框架,采用双路径架构,预测路径用神经网络加速收敛,校正路径补偿误差。利用李雅普诺夫理论证明其有界性,在四旋翼着陆任务中验证,相比基线有精度-鲁棒性权衡及更高操作可靠性。
2026-07-08 cs.RO cs.SY eess.SY
Transfer Learning for High-Precision Trajectory Tracking Through $\mathcal{L}_1$ Adaptive Feedback and Iterative Learning
Institute for Aerospace Studies, University of Toronto, North York, ON M3H 5T6, Canada(多伦多大学航空航天研究 institute, 北York, ON M3H 5T6, 加拿大)
本文提出结合L1自适应控制与迭代学习控制的框架,用于在未知动态环境中实现高精度轨迹跟踪,通过迁移学习实现不同系统间的经验传递。
2018-07-13 cs.RO cs.SY eess.SY
High-Precision Trajectory Tracking in Changing Environments Through $\mathcal{L}_1$ Adaptive Feedback and Iterative Learning
University of Toronto Institute for Aerospace Studies (UTIAS)(多伦多大学航空航天研究所(UTIAS))
本文提出结合L1自适应反馈与迭代学习控制的框架,提升系统在未知动态扰动下的轨迹跟踪性能,通过实验验证其优于纯ILC方法的鲁棒性和泛化能力。
2017-05-12 cs.RO cs.SY eess.SY
Statistical Learning of Contractive Dynamical Representations for Composite Adaptive Control
California Institute of Technology (Caltech)(加州理工学院);Jet Propulsion Laboratory (JPL)(喷气推进实验室)
提出一种统计学习框架,通过硬EM和卡尔曼平滑学习收缩扰动表示,结合贝叶斯滤波实现复合自适应跟踪控制,实验验证了预测能力和性能提升。
2026-09-29 cs.LG cs.RO cs.SY
Extending Lagrangian and Hamiltonian Neural Networks with Differentiable Contact Models
Siemens Technology(西门子技术)
适当的归纳偏差的结合在从数据中学习动态方面起着关键作用。越来越多的工作一直在探索如何通过将拉格朗日或哈密顿动力学编码到神经网络架构中来加强学习动力学中的能量守恒。这些现有的方法是基于微分方程,不允许状态的不连续性,从而限制了人们可以学习的系统的类别。然而,实际上,大多数物理系统(例如足式机器人和机器人操纵器)都涉及接触和碰撞,这会导致状态的不连续性。在本文中,我们介绍了一个可微接触模型,它可以捕捉接触力学:无摩擦/摩擦,以及弹性/非弹性。该模型还可以适应不等式约束,例如对关节角度的限制。建议的接触模型扩展了拉格朗日和哈密顿神经网络的范围,允许同时学习的接触和系统属性。我们证明了这个框架上的一系列具有挑战性的2D和3D物理系统具有不同的恢复和摩擦系数。学习的动态可以用作下游基于梯度的优化任务(例如规划和控制)的可微物理模拟器。
2021-11-12 cs.AI cs.LG cs.RO
Neural Lander: Stable Drone Landing Control using Learned Dynamics
California Institute of Technology(加州理工学院);Northeastern University(东北大学);University of California, Irvine(加州大学欧文分校)
由于多旋翼气流与环境相互作用引起的复杂气动力效应,使得多旋翼无人机难以实现精确的近地轨迹控制。传统的控制方法往往不能正确地考虑这些复杂的影响,并在实现平稳着陆不足。在本文中,我们提出了一种新的基于深度学习的鲁棒非线性控制器(神经着陆器),可以提高着陆过程中四旋翼的控制性能。我们的方法将名义动力学模型与学习高阶相互作用的深度神经网络(DNN)相结合。我们应用谱归一化(SN)来约束DNN的Lipschitz常数。利用此Lipschitz属性,我们设计了一个非线性反馈线性化控制器使用学习模型和证明系统稳定性与干扰抑制。据我们所知,这是第一个基于DNN的非线性反馈控制器,具有稳定性保证,可以利用任意大的神经网络。实验结果表明,所提出的控制器显着优于基线非线性跟踪控制器在着陆和跨台轨迹跟踪的情况下。我们还根据经验表明,DNN可以很好地推广到训练域之外的未知数据。
2019-03-04 cs.LG cs.RO
GustPilot: A Hierarchical DRL-INDI Framework for Wind-Resilient Quadrotor Navigation
Intelligent Space Robotics Laboratory(智能空间机器人实验室);Center for Digital Engineering(数字工程中心);Skolkovo Institute of Science and Technology(斯克尔科夫科学与技术研究院)
本文提出GustPilot框架,结合深度强化学习与INDI控制器,通过风感知规划和快速扰动抑制提升四旋翼在风扰环境下的导航可靠性。
2026-05-07 cs.RO
Self-Tuning PID Control via a Hybrid Actor-Critic-Based Neural Structure for Quadcopter Control
Department of Mechanical Engineering, Sharif University of Technology(谢里夫大学机械工程系)
针对四旋翼控制中模型不确定与外部扰动问题,提出一种基于强化学习Actor-Critic混合神经结构的在线自整定增量式PID方法,仅整定动态增益,实验表明其鲁棒性和性能优于恒定增益PID。
2025-08-17 cs.AI cs.RO cs.SY
Finite-time disturbance reconstruction and robust fractional-order controller design for hybrid port-Hamiltonian dynamics of biped robots
University of Naples Federico II(那不勒斯费德里科二世大学)
本文研究了具有混合动力学的机器人系统的扰动重构和鲁棒轨迹跟踪控制问题。引入了一种新的哈密顿函数,保证了闭环系统的有限时间稳定性。所提出的控制系统由两个回路组成:一个内部和一个外部回路。一个分数比例积分微分滤波器是用来实现有限时间收敛的位置跟踪误差的外环。分数阶滑模控制器作为内环的集中控制器,保证了速度跟踪误差的有限时间稳定性。在这个回路中,未知的外部干扰和参数不确定性的不希望的影响补偿使用估计器。两个干扰估计器的设想。前者是使用分数阶微积分设计的。后者是一个自适应估计器,它是使用机器人的一般动态构造的。稳定性分析表明,闭环系统在无接触和碰撞阶段都是有限时间稳定的。对两种类型的机器人(即,两连杆步行机和兔子机器人)证明了所提出的控制器的跟踪性能和干扰抑制能力。
2021-01-13 cs.RO
DOB-Net: Actively Rejecting Unknown Excessive Time-Varying Disturbances
University of Technology Sydney(悉尼科技大学);Centre for Autonomous Systems(自主系统中心);Centre for Artificial Intelligence(人工智能中心)
本文提出了一种集成的强化学习(RL)的方法,称为干扰观测网络(DOB-Net),机器人在环境中的干扰是未知的和时变的,并可能经常超过机器人的控制能力。DOB-Net集成了扰动动态观测器网络和控制器网络。该观测器源于传统的DOB机制,通过递归神经网络(RNN)构建和增强,在RNN隐状态中编码未知扰动的过去值估计和未来值预测。这种编码允许控制器在机器人控制能力的约束下产生最优控制信号以主动地拒绝干扰。观察器和控制器在策略优化中通过优势行为者评价器共同学习。位置调节任务的数值仿真表明,所提出的DOB-Net显着优于传统的反馈控制器和经典的RL算法。
2020-01-29 cs.LG cs.RO cs.SY
MetaTune: Adjoint-based Meta-tuning via Robotic Differentiable Dynamics
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology(华中科技大学人工智能与自动化学院);School of Electrical and Computer Engineering, National University of Singapore(新加坡国立大学电气与计算机工程系);The Shenzhen Huazhong University of Science and Technology Research Institute(华中科技大学深圳研究院)
本文提出MetaTune框架,通过可微闭环元学习实现反馈控制器与扰动观测器的联合自调优,减少计算复杂度并提升鲁棒性。
2026-07-03 cs.RO
Meta-Adaptive Beam Search Planning for Transformer-Based Reinforcement Learning Control of UAVs with Overhead Manipulators under Flight Disturbances
针对无人机与顶置机械臂耦合导致的末端执行器跟踪误差问题,提出基于Transformer双深度Q网络(DDQN)的强化学习框架,通过自适应波束搜索规划器利用学习到的评论家进行前向估计,实现软件在环的短视域波束搜索,显著降低跟踪误差并提升奖励。
2026-05-29 cs.RO
Aerobatic maneuvers in insect-scale flapping-wing aerial robots via deep-learned robust tube model predictive control
Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology(电气工程与计算机科学系,麻省理工学院);Department of Aeronautics and Astronautics, Massachusetts Institute of Technology(航空宇航系,麻省理工学院)
本研究通过深度学习的鲁棒管模型预测控制,在750毫克扑翼机器人上实现了昆虫级特技机动,显著提升了扫视速度和加速度,并完成了连续身体翻转。
2025-08-05 cs.LG cs.RO cs.SY
Robust Humanoid Contact Planning with Learned Zero- and One-Step Capturability Prediction
University of Michigan(密歇根大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);New York University(纽约大学)
人形机器人通过控制施加在环境中的接触扳手来保持平衡和导航。虽然可以使用现有方法来规划应用适当扳手的动态可行运动,但人形机器人也可能受到外部干扰的影响。现有的系统通常依赖于控制器从干扰中反应性地恢复。然而,当机器人不能到达能够拒绝给定干扰的触点时,这样的控制器可能失效。在本文中,我们提出了一个基于搜索的脚步规划器,其目的是最大限度地提高机器人成功达到目标的概率,而不下降的干扰的结果。规划器不仅考虑了规划接触序列的姿态,而且还考虑了规划接触序列附近的可用于从外部干扰中恢复的替代接触。虽然这种额外的考虑显着增加了计算负荷,我们训练神经网络,以有效地预测多接触零步和一步的可捕获性,这使得规划者有效地生成强大的接触序列。我们的研究结果表明,我们的方法产生的足迹序列,更强大的外部干扰比传统的足迹规划在四个具有挑战性的情况下。
2020-01-20 cs.RO
Modeling Latent Disturbances for Robust Decision-Making in World Models
Carnegie Mellon University(卡内基梅隆大学)
本文提出在世界模型潜在空间中对潜在扰动建模,通过保形预测校准不确定性集并采用博弈论优化,实现鲁棒决策,在仿真和Franka机械臂实验中显著降低失败率。
2026-10-07 cs.AI cs.LG cs.RO
Meta-Learning Augmented MPC for Disturbance-Aware Motion Planning and Control of Quadrotors
KTH Royal Institute of Technology(瑞典皇家理工学院);Caltech(加州理工学院);Uppsala University(乌普萨拉大学)
针对自主飞行中的未知扰动问题,提出一种由扰动感知运动规划器和收缩控制跟踪控制器组成的框架,结合预测控制与在线学习的扰动模型,在强风等仿真中验证了安全性。
2024-12-17 cs.RO cs.SY eess.SY
Online Dynamics Learning for Predictive Control with an Application to Aerial Robots
GRASP Laboratory(GRASP实验室);University of Pennsylvania(宾夕法尼亚大学)
在这项工作中,我们考虑的任务,提高动态模型的准确性,模型预测控制(MPC)在线设置。虽然预测模型可以学习并应用于基于模型的控制器,但这些模型通常是离线学习的。在这种离线设置中,首先收集训练数据,并通过精心设计的训练过程学习预测模型。然而,由于模型是离线学习的,因此它不适应部署期间观察到的干扰或模型误差。为了提高模型和控制器的适应性,我们提出了一个在线动态学习框架,不断提高部署过程中动态模型的准确性。我们采用基于知识的神经常微分方程(KNODE)作为动态模型,并使用受迁移学习启发的技术来不断提高模型的精度。我们证明了我们的框架与四旋翼的有效性,并验证了该框架在模拟和物理实验。结果表明,我们的方法可以考虑可能是时变的干扰,同时保持良好的轨迹跟踪性能。
2022-11-28 cs.LG cs.RO cs.SY
MPC with Learned Residual Dynamics with Application on Omnidirectional MAVs
ETH Zurich(苏黎世联邦理工学院)
不断增长的空中操纵领域通常依赖于全驱动或全向微型飞行器(OMAV),其可以在与环境接触时施加任意力和扭矩。控制方法通常基于无模型方法,将高级别扳手控制器与致动器分配分离。如有必要,在线干扰观测器会拒绝干扰。然而,虽然是通用的,但是该方法经常产生次最优控制命令并且不能结合由平台设计给出的约束。我们提出了两种基于模型的方法来控制OMAVs的任务轨迹跟踪,同时拒绝干扰。第一种方法通过实验数据建立模型,对扳手指令进行优化,并对模型误差进行补偿。第二个优化低级别的致动器命令,允许利用分配零空间,并考虑由致动器硬件的约束。这两种方法的有效性和实时的可行性,并在现实世界的实验中进行评估。
2022-07-04 cs.RO
Learning-based Observer for Coupled Disturbance
Nanyang Technological University(南洋理工大学);Beihang University(北京航空航天大学)
本文提出一种结合控制与学习方法的观测器,通过分解耦合扰动并利用历史数据学习参数矩阵,实现高精度扰动估计。
2026-02-04 cs.RO cs.SY eess.SY
Bayesian Safety Guarantees for Port-Hamiltonian Systems with Learned Energy Functions
Elmore Family School of Electrical and Computer Engineering, Purdue University(普渡大学埃尔莫尔家族电气与计算机工程学院)
本文提出一种基于贝叶斯方法的端到端安全保证框架,通过学习能量函数传播不确定性,确保系统安全。实验表明该方法在有限且噪声数据下仍能保持安全,且在平面机械臂上比无结构GP-CBF方法更有效。
2026-09-21 cs.RO cs.SY eess.SY
Robust and Safe Autonomous Navigation for Systems with Learned SE(3) Hamiltonian Dynamics
稳定性和安全性是成功部署自动控制系统的关键属性。作为一个激励性的例子,考虑在复杂环境中的自主移动机器人导航。推广到不同操作条件的控制设计需要系统动态模型、对建模误差的鲁棒性以及满足安全性\NEWZL{constraints},例如避免碰撞。本文提出了一种神经元常微分方程网络,从弹道数据中学习哈密顿系统的动力学。学习的哈密顿模型用于合成基于能量成形无源性的控制器,并分析其\emph{robustness}对学习的模型中的不确定性以及其\emph{safety}相对于环境施加的约束。给定一个所需的参考路径的系统,我们扩展我们的设计使用虚拟参考总督实现跟踪控制。调节器状态作为一个调节点,沿着参考路径自适应地移动,平衡系统能量水平,模型不确定性界限,以及距离安全违规,以保证鲁棒性和安全性。我们的哈密顿动力学学习和跟踪控制技术证明在\Revised{simulated hexarotor and quadrotor robots}在混乱的3D环境中导航。
2022-07-22 cs.RO cs.SY eess.SY
Inverting Learned Dynamics Models for Aggressive Multirotor Control
The Robotics Institute Carnegie Mellon University(卡内基梅隆大学机器人研究所);Carnegie Mellon University(卡内基梅隆大学)
我们提出了一种控制策略,适用于逆动力学的学习加速度误差模型准确的多旋翼控制输入生成。这使我们能够保持准确的轨迹和控制输入生成,尽管存在外源干扰和建模误差。虽然准确的控制输入生成传统上是可能的参数学习为基础的技术相结合时,我们提出了一种方法,可以做到这一点,同时解决相对容易的非参数模型学习问题。我们表明,我们的技术能够补偿比传统技术更大的一类模型干扰,并且在多旋翼仿真和硬件实验中,当跟踪要求加速度大于7 m/s^2的轨迹时,我们显示出减小的跟踪误差。
2019-05-31 cs.RO
Robustness-Aware Tool Selection and Manipulation Planning with Learned Energy-Informed Guidance
division of Robotics, Perception and Learning, KTH Royal Institute of Technology(机器人、感知与学习系,皇家理工学院);Idiap Research Institute(Idiap研究机构);EPFL(瑞士联邦理工学院)
本文提出了一种基于学习能量感知指导的鲁棒工具选择与操作规划方法,通过分层优化流程提升工具使用在外部干扰下的鲁棒性。
2026-03-06 cs.RO
Safe Autonomous Navigation for Systems with Learned SE(3) Hamiltonian Dynamics
University of California San Diego(加州大学圣地亚哥分校)
未知环境下的安全自主导航是移动机器人面临的重要问题。本文提出的技术,学习动力学模型的移动机器人的轨迹数据和合成的跟踪控制器的安全性和稳定性的保证。刚体机器人的状态通常包含其位置、方向和广义速度,并满足Hamilton运动方程。而不是一个手工推导的动力学模型,我们使用的状态控制轨迹的数据集训练的一个神经常微分方程(ODE)网络表示的双线性等变非线性哈密顿模型。学习的哈密顿模型被用来合成一个能量成形无源性为基础的控制器,并推导出保证安全调节到所需的参考姿态的条件。我们使自适应跟踪所需的路径,从障碍物距离测量获得的安全约束。利用机器人能量和违反安全约束距离之间的权衡,自适应地控制沿着所需路径的参考位姿。我们的安全自适应控制器在未知环境中导航的模拟六旋翼机器人上进行了演示。
2022-04-07 cs.RO cs.SY eess.SY
Data-driven Adaptation for Robust Bipedal Locomotion with Step-to-Step Dynamics
California Institute of Technology(加州理工学院);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出一种基于步间动态的数据驱动自适应在线框架,使双足机器人Cassie在模型误差、外部扰动和斜坡等未知条件下实现稳定敏捷行走,相比非自适应基线控制器显著提升了给定速度下的行走能力。
2023-08-04 cs.RO cs.SY eess.SY
Robust Operational Space Control with Conformal Disturbance Bounds for Safe Redundant Manipulation
Department of Engineering Technology and the Department of Electrical and Computer Engineering, University of Houston(工程科技系和电气与计算机工程系,休斯顿大学)
提出结合扩展状态观测器和共形预测的鲁棒操作空间控制框架,在动态不确定性下实现冗余机械臂的精确任务空间跟踪与安全保证。
2026-07-02 cs.RO cs.SY eess.SY
Data-Driven Robust Barrier Functions for Safe, Long-Term Operation
Georgia Institute of Technology(佐治亚理工学院);Optimus Ride
需要多个机器人系统在未知或非结构化环境中长时间独立操作的应用面临着一系列挑战,例如硬件退化、天气模式变化或不熟悉的地形。为了在这些不断变化的条件下有效运行,为长期自治应用开发的算法需要更加关注鲁棒性。因此,这项工作认为,以满足操作的关键约束的干扰系统的模块化的方式,这意味着不同的系统目标和干扰表示的兼容性的能力。为此,本文提出了一种利用控制障碍函数(CBF)求解受扰控制仿射动力系统约束满足的优化综合方法。上述框架是通过将扰动建模为凸包的联合并利用以前关于CBFs的微分包含的工作来构建的。这种干扰建模方法与不同的干扰估计方法兼容。例如,这项工作演示了如何通过高斯过程学习的干扰可以在所提出的框架中使用。这些估计的干扰被纳入建议的机器人合成框架,然后在不同的情况下进行测试的机器人舰队。
2021-04-15 cs.RO cs.SY eess.SY
Robust Disturbance Rejection for Robotic Bipedal Walking: System-Level-Synthesis with Step-to-step Dynamics Approximation
California Institute of Technology(加州理工学院)
我们提出了一个步进稳定控制,解决外部推动双足步行机器人的干扰。步进控制是基于被控制为具有近似恒定的质心(COM)高度的机器人的步进(S2 S)动力学来合成的。我们首先学习一个线性的S2 S动态与有界模型的差异,从机器人的不受干扰的步行行为,其中步行步长作为控制输入的S2 S动态。然后,外部推动被认为是对学习的S2 S(L-S2 S)动态的干扰。然后,我们应用系统级综合(SLS)的方法对受干扰的L-S2 S动态鲁棒稳定的机器人所需的步行,同时满足机器人的运动学约束。我们成功地实现了所提出的方法对步行的两足机器人琥珀色和卡西受到推动干扰,表明该方法是通用的,有效的,和计算效率的鲁棒干扰抑制。
2022-01-26 cs.RO
HAC-LOCO: Learning Hierarchical Active Compliance Control for Quadruped Locomotion under Continuous External Disturbances
School of Aeronautics and Astronautics, Shenzhen campus of Sun Yat-sen University(航空学院,中山大学深圳校区)
本文提出HAC-LOCO两阶段层次学习框架,通过力估计学习主动柔顺动作模块,使四足机器人在连续外部扰动下兼顾鲁棒性与柔顺性,并在仿真和实机实验中优于现有RL运动控制器。
2025-07-03 cs.RO
Safe and Efficient Reinforcement Learning Using Disturbance-Observer-Based Control Barrier Functions
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出一种基于扰动观测器和控制障碍函数的安全强化学习方法,无需模型学习,通过精确估计不确定性生成安全动作,在独轮车和二维四旋翼仿真中降低了安全违规率并提升了样本与计算效率。
2023-08-28 cs.LG cs.RO cs.SY
Learning Deep Nets for Gravitational Dynamics with Unknown Disturbance through Physical Knowledge Distillation: Initial Feasibility Study
The Chinese University of Hong Kong(香港中文大学);Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳市人工智能与机器人研究院);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Johns Hopkins University(约翰斯·霍普金斯大学)
由于采样的复杂性,学习高性能深度神经网络用于高自由度(DOF)机器人的动态建模仍然具有挑战性。由未建模动态(如内部柔度、电缆)引起的典型未知系统扰动进一步加剧了该问题。本文提出了一种新的框架,其特点是高数据效率和干扰自适应能力,以解决问题的前馈重力补偿控制的高自由度主机械手的重力动力学建模使用深度网络未知干扰。特别地,前馈深度神经网络(FDNN)通过知识蒸馏(KD)从现有分析模型的先验知识和机器人系统的观察两者中学习。通过大量的实验,在高自由度的主机械手与显着的干扰,我们表明,我们的方法超越了标准的从头学习(LFS)的方法在数据效率和干扰适应。我们最初的可行性研究已经证明,随着训练数据的增加,分析型教师模型的性能有可能超过分析型教师模型。
2022-10-04 cs.RO
Statistical Safety and Robustness Guarantees for Feedback Motion Planning of Unknown Underactuated Stochastic Systems
Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);University of Michigan(密歇根大学);Johns Hopkins University(约翰斯·霍普金斯大学)
针对一类具有未知非线性随机欠驱动动力学的系统,提出了一种综合规划与控制的运行时安全性和目标可达性的统计保证方法.具体来说,给定一个动态数据集,我们的方法联合学习一个平均动态模型,一个空间变化的扰动界,它捕获噪声和模型失配的影响,以及一个基于收缩理论的反馈控制器,它稳定了学习的动态。我们提出了一个基于采样的规划器,使用平均动态模型,同时通过一个学习的干扰界的闭环跟踪误差的界限。我们采用极值理论(EVT)的技术来估计,到一个指定的置信水平,几个常数的特征学习组件和管理的跟踪误差界的大小。这确保了计划在运行时被安全地跟踪。我们验证,我们的保证转化为经验安全的模拟10 D四旋翼,并在现实世界中的物理CrazyFlie四旋翼和Clearpath豺狼机器人,而基线,忽略模型误差和随机性是不安全的。
2022-12-13 cs.LG cs.RO
Simultaneous System Identification and Model Predictive Control with No Dynamic Regret
Department of Aerospace Engineering, University of Michigan(航空航天工程系,密歇根大学)
本文提出一种用于非线性系统的同时系统辨识与模型预测控制算法,通过随机傅里叶特征和在线最小二乘法学习未知动态,实现次线性动态遗憾和近最优性,并在仿真与硬件实验中验证了其有效性。
2025-11-03 cs.RO cs.SY eess.SY
Port-Hamiltonian Koopman Operator Synthesis for Mechanical Systems
Indian Institute of Science(印度科学理工学院)
针对非线性机械系统,提出结构保持的端口-哈密顿库普曼框架,通过动量变换和神经架构学习无源动力学,实现高精度预测与控制。
2026-09-16 cs.RO cs.SY eess.SY
A Robust Task-Level Control Architecture for Learned Dynamical Systems
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对基于动力系统的示教学习存在的任务执行不匹配问题,提出L1增强动力系统架构,结合标称稳定控制器、L1自适应控制器与窗口DTW目标选择器,在LASA和IROS手写数据集上验证了其跟踪性能。
2026-08-26 cs.LG cs.RO cs.SY
Learning of Hamiltonian Dynamics with Reproducing Kernel Hilbert Spaces
The Norwegian University of Science and Technology (NTNU)(挪威科技大学)
本文提出一种基于再生核希尔伯特空间的正则化优化方法,利用辛核学习哈密顿动力学,并通过仿真验证了其能量守恒特性和在相空间大范围内的精度提升。
2024-10-24 cs.LG cs.RO cs.SY
Learning Hamiltonian Dynamics with Reproducing Kernel Hilbert Spaces and Random Features
Norwegian University of Science and Technology (NTNU)(挪威科技大学)
提出一种利用再生核希尔伯特空间和随机特征从有限含噪数据学习哈密顿动力学的方法,通过奇辛核施加奇对称性,提高预测精度和数据效率。
2024-10-24 cs.LG cs.RO cs.SY
Adaptive Stochastic Nonlinear Model Predictive Control with Look-ahead Deep Reinforcement Learning for Autonomous Vehicle Motion Control
Technical University Munich(慕尼黑工业大学);Munich Institute of Robotics and Machine Intelligence (MIRMI)(慕尼黑机器人与机器智能研究所)
针对自主车辆运动控制中的不确定性与约束问题,提出前瞻深度强化学习驱动的自适应随机非线性模型预测控制,动态调整关键参数,在扰动下的轨迹跟踪性能优于静态方法。
2023-11-07 cs.RO cs.SY eess.SY
MPC for underactuated spacecraft control with a Lyapunov supervised physics-informed neural network correction layer
Politecnico di Torino(托斯纳理工学院);Argotec S.R.L.(Argotec公司)
针对欠驱动航天器姿态控制,提出一种分层架构,结合非线性模型预测控制、物理信息神经网络和李雅普诺夫监督机制,在不确定性下降低稳态误差并保持鲁棒性。
2026-08-19 cs.RO cs.SY eess.SY
Robust Semantic Segmentation in Adverse Weather Conditions by means of Sensor Data Fusion
Ulm University(乌尔姆大学)
在恶劣天气条件下进行稳健可靠的语义分割对于自动驾驶汽车非常重要,但大多数最先进的方法只能在最佳天气条件下实现高准确率。原因是它们只针对良好的天气条件和给定的噪声模型进行了优化。然而,当数据中存在未知干扰时,大多数算法失效,性能大大下降。仍然获得可靠结果的一种可能性是使用不同的传感器类型(例如相机和激光雷达)来观察环境,并且借助于神经网络来融合传感器数据,因为不同的传感器在不同的天气条件下表现不同。因此,传感器可以通过适当的传感器数据融合来相互补充。然而,基于融合的方法仍然容易受到干扰,不能正确分类受干扰的图像区域。这个问题可以通过一种特殊的训练方法来解决,即所谓的鲁棒学习方法(RLM),一种神经网络学习处理未知噪声的方法。在这项工作中,两种不同的传感器融合架构的语义分割进行了比较和评估的几个数据集。此外,它表明,RLM极大地提高了在恶劣天气条件下的鲁棒性,并取得了良好的效果,虽然没有干扰模型已学习的神经网络。
2019-05-24 cs.CV cs.LG cs.RO
MagServo: Uncertainty-Resilient Hierarchical Magnetic Servoing via Learned Latent Representations
Imperial College London(伦敦帝国理工学院);The University of Hong Kong(香港大学);Technical University of Munich(慕尼黑工业大学)
MagServo提出一种分层学习框架,利用潜在磁特征实现鲁棒的6自由度磁力伺服控制,通过掩码重建和动力学学习,结合模型预测控制与雅可比反演,达到亚毫米和亚度精度,并在复杂轨迹跟踪中优于基线。
2026-10-06 cs.RO
Robust Agility via Learned Zero Dynamics Policies
California Institute of Technology(加州理工学院);NASA Jet Propulsion Laboratory(NASA喷气推进实验室)
提出 Zero Dynamics Policies,通过学习最优控制不变映射并驱动受驱动坐标,在降维与低在线开销下稳定混合欠驱动系统,并经 ARCHER 3000 次跳跃验证鲁棒性。
2024-09-10 cs.RO
World Models for General Surgical Grasping
The Chinese University of Hong Kong(香港中文大学);Lipscomb University(利普斯科姆大学)
针对手术机器人抓取未知物体和抗扰动的需求,提出基于世界模型的深度强化学习框架GAS,学习像素级视觉运动策略,在仿真和真实机器人上实现高鲁棒性和通用性,平均成功率69%。
2024-05-28 cs.AI cs.RO
RK-MPC: Residual Koopman Model Predictive Control for Quadruped Locomotion in Offroad Environments
Clemson University(克莱姆森大学)
本文提出RK-MPC,一种基于Koopman的的数据驱动模型预测控制框架,通过残差预测器提升预测精度并保持实时可行性,实验证明其在复杂地形中的可靠性和性能。
2026-04-07 cs.RO
PINGU: Extending Air-Bearing Spacecraft Emulators with Open-Source Actuators and Learned Control for Contact-Rich Proximity Operations
University of Luxembourg(卢森堡大学);Tohoku University(东北大学);Georgia Institute of Technology(佐治亚理工学院)
PINGU在开源ATMOS气浮试验台上集成反作用轮与力传感机械臂,通过统一ROS 2抽象层和强化学习环境,实现经典控制与学习策略互换,验证了接触丰富操作能力。
2026-09-22 cs.RO
Learning on the Fly: Rapid Policy Adaptation via Differentiable Simulation
Robotics and Perception Group, Department of Informatics, University of Zurich(机器人感知组,信息学院,苏黎世大学)
本文提出了一种基于可微模拟的在线自适应学习框架,通过持续优化动力学模型实现快速策略适应,有效提升了四旋翼在现实环境中的控制性能。
2026-01-14 cs.RO
CrazyMARL: Decentralized Direct Motor Control Policies for Cooperative Aerial Transport of Cable-Suspended Payloads
Technische Universität Berlin(技术大学柏林);Robotics Institute Germany (RIG)(德国机器人研究所(RIG))
提出CrazyMARL,一种基于分散式强化学习的多无人机缆绳悬挂载荷运输框架,在抗干扰和跟踪精度上优于经典控制器,并实现了零样本仿真到实物迁移。
2026-05-31 cs.MA cs.RO