arXivDaily arXiv每日学术速递 周一至周五更新
arXiv 2209.03210cs.ROcs.LGcs.SYeess.SY

Real-to-Sim：使用基于学习的无迹卡尔曼滤波器通过稀疏数据预测机器人系统的残差误差

Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter

University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）

Alexander Schperberg, Yusuke Tanaka, Feng Xu, Marcel Menner, Dennis Hong

备注：
Accepted to Ubiquitous Robotics 2023, Honolulu, Hawaii
阅读 PDF
arXiv 页面 ↗HTML 原文 ↗

AI总结：

本研究提出利用无迹卡尔曼滤波器更新神经网络参数，以少量数据学习机器人动力学或仿真模型与真实机器人间的残差误差，并在机械臂和轮式机器人上验证，有效缩小了现实差距。

摘要：

实现与真实机器人高度接近的精确动力学或仿真模型，可以促进基于模型的控制（如模型预测控制或线性二次调节器）、基于模型的轨迹规划（如轨迹优化），并减少强化学习方法所需的学习时间。因此，本工作的目标是学习动力学和/或仿真模型与真实机器人之间的残差误差。这通过神经网络实现，其中神经网络的参数通过无迹卡尔曼滤波器（UKF）公式进行更新。使用这种方法，我们仅用少量数据即可建模这些残差误差——这是必要的，因为我们通过直接从真实世界操作中学习来改进仿真器/动力学模型。我们在机器人硬件（如机械臂和轮式机器人）上演示了我们的方法，并表明通过学习的残差误差，我们可以进一步缩小动力学模型、仿真与实际硬件之间的现实差距。

英文摘要：

Achieving highly accurate dynamic or simulator models that are close to the real robot can facilitate model-based controls (e.g., model predictive control or linear-quadradic regulators), model-based trajectory planning (e.g., trajectory optimization), and decrease the amount of learning time necessary for reinforcement learning methods. Thus, the objective of this work is to learn the residual errors between a dynamic and/or simulator model and the real robot. This is achieved using a neural network, where the parameters of a neural network are updated through an Unscented Kalman Filter (UKF) formulation. Using this method, we model these residual errors with only small amounts of data -- a necessity as we improve the simulator/dynamic model by learning directly from real-world operation. We demonstrate our method on robotic hardware (e.g., manipulator arm, and a wheeled robot), and show that with the learned residual errors, we can further close the reality gap between dynamic models, simulations, and actual hardware.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

↑