.png){kind=icon}
返回
Lifelong Learning-Based MPC for Uncertain Multi-Task Manipulation
.png){kind=icon}
PRE
AI
DOI：10.1109/LRA.2026.3668586.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代基于模型的手臂操作器越来越需要执行多样化的现实世界任务，例如从打开各种门到拾取和放置。然而，随着机器人生命周期中期望任务范围的扩大，模型不确定性增加，这会严重降低控制性能。自适应模型预测控制（AMPC）通过在线更新机器人-环境接触动力学来缓解这一问题，但现有方法假设任务先验或固定的训练分布已校准，这限制了其在新任务上的泛化能力。因此，我们提出了一种终身混合专家AMPC框架，该框架仅使用本体感觉，通过经验持续学习、精炼和识别任务特定的专家接触模型。在新环境中，专家通过基于残差的伪标签以小批量方式在线自我训练，并在成功试验后与高置信度标签整合。该框架的核心依赖于高斯混合模型（GMM）来实现：(i) 通过误差似然函数对专家进行门控；(ii) 通过误差预测似然函数估计分布外（OOD）接近度，这有助于监控学习过程并调整MPC的灵活性以在不确定性下降低风险和遗忘。我们实现了并比较了两种专家类别：高斯混合回归（GMR）和神经网络（NNs）。该方法在真实操作器上进行评估，并在具有多个未知和中期切换动态参数的多样化任务中，展现出优于两种当前最先进的AMPC方法的表现。
Keyword:
Lifelong learning
mixture of experts
model predictive control
adaptive systems
uncertain manipulation
期刊
I
IF:
5.3
论文数:
2.0K
被引数:
3.9W
机构
引用论文
Kullback-Leibler average, consensus on probability densities, and distributed state estimation with guaranteed stability.png)
AUTOMATICA
AUTOMATICAIF5.9
PREAI
分享收藏Advancing autonomy through lifelong learning: a survey of autonomous intelligent systems通过终身学习推进自主性：自主智能系统综述
OAAI
OAAI分享收藏Silhouettes: A graphical aid to the interpretation and validation of cluster analysis剪影: 对聚类分析的解释和验证的图形辅助OAAI
OAAI分享收藏
查看更多内容