Physics-Constrained Dynamics Learning for Legged Robots With Structural Priors

doi:10.1109/tmech.2026.3730419

Physics-Constrained Dynamics Learning for Legged Robots With Structural Priors

2026-09-24

0

PRE

AI

DOI：10.1109/tmech.2026.3730419

原文链接

原文求助

摘要

En 中文

精确的动力学建模对于充分发掘足式机器人的能力至关重要，尤其是在负载依赖的运行条件和接触丰富的运动中。然而，平衡数据驱动的表现力与物理严谨性仍然是一个挑战。尽管黑箱模型在拟合数据方面表现出色，但它们通常数据效率低下且在分布外数据上的鲁棒性有限；相反，分析方法往往难以处理未建模动力学和系统不确定性。为解决这一问题，我们提出了结构化深度投影动力学（SDPD）网络，这是一种基于拉格朗日力学的灰箱学习框架。与无约束神经网络不同，SDPD将拉格朗日结构先验嵌入到学习到的惯性属性中以促进结构化动力学表示。为处理未测量的接触力矩，SDPD使用投影逆动力学学习目标，无需外部力标签即可进行学习。此外，一种形态感知的阶段性训练策略首先利用共享的标准腿表示，然后可选择性地细化腿特定分支。在Unitree Go2四足机器人的实验中包括保留的步态和命令/速度评估以及单独的负载条件研究；在主要的跨方法比较中，SDPD在保持适合模型级解释的结构化拉格朗日表示的同时，实现了比分析、无约束和通用拉格朗日学习基线更低的投影误差。

Keyword:

Dynamics learning

legged locomotion

null-space projection

physics-informed neural network

Physics-Constrained Dynamics Learning for Legged Robots With Structural Priors

摘要

期刊

机构

引用论文