BoBDeLaN 论文:带宽受限上下文适配改进深度拉格朗日机器人控制
Jan_R_Peters · x · 2026-11-21
TU Darmstadt 团队(Lucas Schulze、Jan Peters、Oleg Arenz 等)发布论文 BoBDeLaN,针对基于物理的学习模型在机器人控制中因负载不确定和未建模动态导致预测失准的问题提出改进方案。
核心思路:
- 在上下文感知 Deep Lagrangian Networks 基础上,加入带增益约束的 Recurrent Equilibrium Network 上下文编码器与稳定线性滤波,从频率维度塑形对测量扰动的敏感性。
- 可证明保证递归初始化的指数遗忘,并给出上下文扰动的有限时域、频率加权上界,在 Lipschitz 假设下可扩展到残余力矩预测。
在仿真与真实硬件操作任务的 MPC 实验中,相比使用相同输入滤波器的 LSTM 编码器,BoBDeLaN 高频上下文敏感性更低、残余力矩预测误差更小、运动更平滑,注入扰动下性能退化也更少。论文已提交 L4DC 2027。
所属事件:BoBDeLaN:带宽受限适配提升深度拉格朗日机器人控制(2 条相关)→
「具身」频道最新
- 华为发布锐鹰 Z10 外挂镜头:10 倍光变,记者弃相机改用手机 — CodeByPoonam · 2026-11-21
- 形态生成到运动控制 pipeline 持续打磨,自动设计机器人身体与步态 — zzznah · 2026-11-21
- CoRL 2026 工作场:不确定性感知机器人世界模型开讲 — breadli428 · 2026-11-21
- BoBDeLaN:融合拉格朗日网络与稳定滤波器,提升机器人控制的抗扰性 — Jan_R_Peters · 2026-11-21
- AR 手部追踪遥操作 OpenYAM 机器人,虚拟与实体动作实时同步 — AjdDavison · 2026-11-21
- ACE Robotics 人形机器人进驻上海酒店,包揽夜班洗衣送水活 — Scobleizer · 2026-11-21