arXiv cs.AI· Hehui Zheng, Bhavya Sukhija, Chenhao Li, Klemens Iten, Andreas Krause, Robert K. Katzschmann·· 10 小时前AI 评分31
用主动探索学习软体机器人动力学
Learning Soft Robotic Dynamics with Active Exploration
AI 导读
研究者提出一种不确定性感知的主动探索框架，可自主学习软体机器人系统与任务无关、可泛化的动力学模型。该框架在连续体机械臂、流体中的关节鱼和肌骨腿三个仿真平台及一台真实气动连续体机械臂上验证，相比随机探索和任务特定基线建模精度更高，并在未见任务的零样本控制中取得更高回报，且在传感噪声、驱动延迟和材料非线性下保持稳健。
正文 · AI 翻译
摘要：软体机器人在非结构化环境中具有适应性和安全性，但其柔顺、高维、非线性的动力学特性使控制建模变得困难。现有的数据驱动方法往往难以泛化，受限于任务演示范围狭窄或随机探索效率低下。我们提出了一种不确定性感知的主动探索框架，能够自主地学习与任务无关且可泛化的软体机器人系统动力学模型。我们在三个仿真平台——连续体机械臂、流体中的关节鱼和肌肉骨骼腿——以及一个真实世界的气动驱动连续体机械臂上评估了该框架。与随机探索和任务特定基线相比，我们的方法通过主动收集信息丰富的数据实现了更高的建模精度。模型质量的提升在未见任务的零样本控制中带来了更高的回报，并在传感噪声、驱动延迟和材料非线性下表现出稳健的性能。这些结果表明，不确定性驱动的主动探索能够在多种软体机器人形态上实现数据高效的动力学学习，为柔顺机器人的自主且适应性控制提供支持。
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2510.27428 [cs.RO] |
| （或本版本的 arXiv:2510.27428v2 [cs.RO]） | |
| https://doi.org/10.48550/arXiv.2510.27428 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hehui Zheng [查看邮箱]
[v1]
2025年10月31日星期五 12:35:02 UTC（28,429 KB）
[v2]
2026年11月4日星期三 15:27:23 UTC（1,747 KB）
来源：arXiv cs.AI · arxiv.org