[论文解读] A Data-Efficient Approach to Precise and Controlled Pushing

Maria Bauzá, Francois R. Hogan+1 more|arXiv (Cornell University)|Jul 26, 2018

Gaussian Processes and Bayesian Inference被引用 22

一句话总结

该论文提出了一种数据高效的动力学模型控制框架，用于实现基于高斯过程（GP）学习的动力学模型在模型预测控制（MPC）中的精确平面推动物体。通过利用实时反馈并从仅5–10个实验数据点中学习平滑、可微的动力学模型，该方法在无需详细物理建模摩擦力或接触力的情况下，实现了稳定且精确的轨迹跟踪。

ABSTRACT

Decades of research in control theory have shown that simple controllers, when provided with timely feedback, can control complex systems. Pushing is an example of a complex mechanical system that is difficult to model accurately due to unknown system parameters such as coefficients of friction and pressure distributions. In this paper, we explore the data-complexity required for controlling, rather than modeling, such a system. Results show that a model-based control approach, where the dynamical model is learned from data, is capable of performing complex pushing trajectories with a minimal amount of training data (10 data points). The dynamics of pushing interactions are modeled using a Gaussian process (GP) and are leveraged within a model predictive control approach that linearizes the GP and imposes actuator and task constraints for a planar manipulation task.

研究动机与目标

• 研究基于模型的控制方法是否能在极少量训练数据下实现高精度推动物体。
• 评估使用高斯过程回归从少量实验数据集中学习推动物理动力学的可行性。
• 在平面操作任务的MPC框架内，比较数据驱动模型与解析模型的性能。
• 确定实现接触丰富机器人任务稳定闭环控制所需的最低数据复杂度。
• 探索在高度数据高效学习的情况下，反馈控制是否能补偿模型不准确性。

提出的方法

• 利用高斯过程（GP）回归从实验数据中学习平面推动物体的动力学模型，实现平滑、可微且具备不确定性感知的动力学估计。
• 将学习到的GP模型集成到模型预测控制（MPC）框架中，通过在标称轨迹周围线性化动力学，实现实时控制计算。
• 在MPC优化中施加执行器和任务约束，以确保推动物体过程中的控制动作可行且安全。
• 采用速度空间形式的动力学模型，隐式平滑混合接触行为（如粘滑），降低模型复杂度。
• 通过解析规划生成标称轨迹以初始化MPC，确保控制执行过程中的稳定性和收敛性。
• 通过精心选择数据（如5个手工挑选的数据点）提升数据效率和控制器稳定性。

实验结果

研究问题

• RQ1 使用数据驱动模型实现平面推动物体稳定精确控制所需的最少数据量是多少？
• RQ2 平滑可微的GP模型是否能有效表示无需显式建模接触模式的混合接触丰富动力学？
• RQ3 在轨迹跟踪精度和鲁棒性方面，数据驱动控制器与解析控制器的性能相比如何？
• RQ4 反馈控制在多大程度上能补偿低数据量下摩擦接触动力学模型的不准确性？
• RQ5 在极少量数据下，基于模型的控制框架是否能在不同轨迹和速度下实现泛化？

主要发现

• 采用GP学习动力学模型的基于模型的控制策略，仅使用少于10个训练数据点，即可实现对复杂推动物体轨迹的稳定精确跟踪。
• 仅使用5个手工挑选的数据点，控制器即可实现稳定的闭环跟踪，展现出极高的数据效率。
• 仅需10个随机选择的数据点即可实现功能性且稳定的控制性能，而解析控制器的性能需约200个数据点才能匹配。
• GP回归与MPC的结合，即使在底层动力学具有混合性和非光滑性的情况下，也能实现有效控制，这得益于速度空间形式的平滑效应。
• 反馈控制通过实时纠正模型不准确性显著提升了性能，使简单模型也能实现高精度。
• 该方法在不同轨迹（如8字形和方形路径）和速度下均表现出泛化能力，表明所学模型在MPC框架内的鲁棒性和适应性。