弹性关节机械臂的强化迭代学习控制：模型不确定性下保证跨轨迹泛化
该研究提出强化迭代学习控制（RILC），将迭代学习控制与强化学习并发耦合：ILC提供高质量样本，RL作为跨迭代的泛化策略，从而在无需逐轨迹单独学习的情况下实现首次试验即高性能跟踪。论文给出理论证明，表明RL分量保持ILC稳定性，并在特定条件下可渐近降低误差界。实验在欠驱动4自由度串联弹性机器人上，针对不同轨迹与建模失配进行仿真与验证。
发布于 10-22 10:55来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Reinforced Iterative Learning Control for elastic joint arms: Guaranteed cross-trajectory generalization under model uncertainties》查看原链
针对柔性机器人因非线性动力学与建模不确定性导致的轨迹跟踪难题，本文提出强化迭代学习控制（RILC），将迭代学习控制（ILC）与强化学习（RL）相结合。 传统ILC需为每条新轨迹单独学习，RL虽能泛化但样本复杂度高、跟踪精度有限；RILC通过两个控制器的并发耦合，克服传统ILC初始误差大、适应慢的问题，从首次试验即可实现高性能跟踪：ILC提供高质量样本，RL作为跨迭代的泛化尽力策略。
文中给出理论证明，表明RL分量保持ILC稳定性，并在特定条件下可渐近降低误差界。 该框架在欠驱动4自由度串联弹性机器人上通过仿真与实验，在不同轨迹和建模失配条件下验证了有效性。