Improving Out-of-Distribution Generalization of Learned Dynamics by Learning Pseudometrics and Constraint Manifolds

我们提出了一种方法来提高机器人动力学模型在分布外状态下的预测准确性。我们通过利用机器人动力学中经常存在的两个关键结构来实现这一点：1）稀疏性，即状态的某些组件可能不会影响动力学，以及2）可能的运动集合的物理极限，以非完整约束的形式出现。关键是，我们不假定已知这种结构，而是从数据中学习。我们使用对比学习来获得一个距离伪度量，以揭示动力学中的稀疏模式，并用它来在学习动力学时减少输入空间。然后，我们通过从数据中逼近可能运动的法向空间来学习未知的约束流形，我们使用它来训练约束流形的高斯过程（GP）表示。我们在一个物理差分驱动机器人和一个模拟四旋翼上评估了我们的方法，相对于基线，在OOD数据上显示出了改进的预测准确性。

提高机器人动力学模型在分布外状态下的预测准确性

利用机器人动力学中的稀疏性和非完整约束来提高模型的预测准确性，并通过数据学习这些结构，从而避免先验知识的假设。

使用对比学习来获得距离伪度量，以揭示动力学中的稀疏模式，并在学习动力学时使用它来减少输入空间。通过从数据中逼近可能运动的法向空间来学习未知的约束流形，并使用它来训练高斯过程（GP）表示约束流形。在物理差分驱动机器人和模拟四旋翼上评估我们的方法，相对于基线，在分布外数据上显示出改进的预测准确性。

近期的相关研究包括“Learning Robotic Manipulation through Visual Planning and Acting”、“Learning to Simulate Complex Physics with Graph Networks”等。