跳到正文
arXiv · 机器人与计算机视觉· Yuri De Santis, Michele Pierallini, Franco Angelini, Manolo Garabini·· 29 天前精选AI 评分78

面向弹性关节臂的强化迭代学习控制:模型不确定性下的跨轨迹泛化保证

Reinforced Iterative Learning Control for elastic joint arms: Guaranteed cross-trajectory generalization under model uncertainties

AI 导读

论文提出强化迭代学习控制(RILC)框架,旨在解决顺从机器人轨迹跟踪中非线性动力学与建模不确定性的挑战。该方法通过耦合传统迭代学习控制器与强化学习策略,在保留被动顺从性的同时实现快速适应和理论收敛保证。

推荐理由

提出强化迭代学习控制框架,结合传统方法与强化学习优势,在仿真与欠驱动弹性关节机器人实验中验证了跨轨迹泛化能力。

来源:arXiv · 机器人与计算机视觉 · arxiv.org