基于时空管道的未知欧拉-拉格朗日系统的示教学习
Learning from Demonstration via Spatiotemporal Tubes for Unknown Euler-Lagrange Systems
AI总结：
提出STT-LfD框架，将示教学习与控制统一，利用异方差高斯过程学习时空管道作为意图包络，并通过闭环反馈控制器强制执行约束，避免系统辨识，在移动机器人和7自由度机械臂上验证了鲁棒性和计算效率。
摘要：
我们提出了STT-LfD，一个统一的示教学习框架，将运动学习与控制集成于未知欧拉-拉格朗日系统。与传统的跟踪固定参考的解耦方法不同，所提方法将示教视为数据驱动的安全规范。利用异方差高斯过程，STT-LfD学习时空管道作为意图包络，捕获任务的时间变化精度要求。然后，一个闭环反馈控制器在尊重执行器限制的同时强制执行这些学习到的约束，无需显式系统辨识。该方法保留了示教的时间结构，保持计算高效，并避免了显式系统辨识。在移动机器人和7自由度机械臂上的硬件实验表明，其在扰动鲁棒性和计算速度方面优于基线方法。
英文摘要：
We present STT-LfD, a unified Learning from Demonstration (LfD) framework that integrates motion learning with control for unknown Euler-Lagrange systems. Unlike traditional decoupled approaches that track a fixed reference, the proposed method treats demonstrations as a data-driven safety specification. Using heteroscedastic Gaussian Processes, STT-LfD learns Spatiotemporal Tubes (STTs) as an intent envelope that capture time-varying precision requirements of a task. A closed-form feedback controller then enforces these learned constraints while respecting actuator limits, without requiring explicit system identification. The approach preserves the temporal structure of demonstrations, remains computationally efficient, and avoids explicit system identification. Hardware experiments on a mobile robot and a 7-DOF manipulator show that it outperforms baselines in robustness to disturbances and computational speed.
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。
