这项研究介绍了具有刚性接触的机器人系统的全身模型预测控制（MPC），使用在线切换时间优化（STO）的给定接触序列下。我们将机器人动力学用刚性接触视为开关系统，并制定开关系统的最佳控制问题以实现MPC。我们为MPC问题使用有效的解决方案算法，该算法同时优化了切换时间和轨迹。与现有的现有方法不同，目前的有效算法可以在线优化和切换时间。通过在传统的MPC上比较了在线STO的提议的MPC，并通过固定的切换时间，通过数值模拟四倍的机器人的动态跳跃运动。在模拟比较中，提出的MPC成功控制了动态跳跃运动的两倍，这是常规MPC的两倍，这表明所提出的方法扩展了整体MPC的能力。我们进一步在四足机器人单位A1上进行硬件实验，并证明所提出的方法在实际机器人上实现了动态运动。
translated by 谷歌翻译
本研究提出了一种高效的牛顿型方法，用于在给定模式序列下的开关系统的最佳控制。基于网格的方法用于离散连续时间最佳控制问题（OCP）并配制非线性程序（NLP），保证牛顿型方法的局部收敛。建议专用结构利用算法（Riccati递归）（Riccati递归）有效地对NLP进行Newton型方法，因为其稀疏结构与标准OCP不同。所提出的方法通过作为标准Riccati递归算法的分离子化网格总数来计算每个牛顿步骤。另外，如果解决方案足够接近局部最小值，则计算总是成功的。相反，一般二次编程（QP）求解器不能完成这一点，因为Hessian矩阵本质上是无限期的。此外，使用Riccati递归算法的性质作为QP子问题的动态规划来提出对降低的Hessian矩阵的修改，以提高收敛。用现成的NLP溶剂进行数值比较，表明所提出的方法速度高达两个数量级。还证明了全身最佳控制Quadrupeal Gaits并表明该方法可以实现具有刚性触点的机器人系统的全身模型预测控制（MPC）。
translated by 谷歌翻译
我们提出了一种新颖有效的提升方法，以最佳控制与触点的刚体系统的最佳控制，以改善牛顿型方法的收敛性。为了放宽高非线性，我们将状态，加速度，接触力和控制输入扭矩视为优化变量以及接触框架上的逆动力学和加速约束作为平等约束。我们以有效的方式消除了在每个牛顿型迭代中求解的线性方程中的加速度，接触力及其双重变量的更新。结果，牛顿型迭代的计算成本几乎与传统的非牛顿式迭代迭代相同，该牛顿型迭代嵌入了状态方程中的接触动力学。我们对在内部方法中考虑的摩擦锥约束的各种四足步步态的全身最佳控制进行了数值实验，并证明所提出的方法可以将收敛速度显着提高到超过两倍以上的常规非额定速度的两倍以上方法。
translated by 谷歌翻译
汇总数据通常出现在社会经济和公共安全等各个领域。汇总数据与点不关联，而与支持（例如，城市中的空间区域）相关联。由于支撑物可能取决于属性（例如贫困率和犯罪率），因此对此类数据进行建模并不直接。本文提供了一个多输出高斯流程（MOGP）模型，该模型使用各自粒度的多个聚合数据集侵入属性的功能。在提出的模型中，每个属性的函数被认为是建模为独立潜在GPS的线性混合的依赖GP。我们设计一个具有每个属性聚合过程的观察模型；该过程是GP在相应支持上的组成部分。我们还引入了混合权重的先验分布，该分布可以通过共享先验来跨域（例如城市）进行知识转移。在这种情况下，这是有利的，因为城市中的空间汇总数据集太粗糙而无法插值。提出的模型仍然可以通过利用其他城市中的聚合数据集来准确地预测属性。提出的模型的推断是基于变异贝叶的，它使人们能够使用来自多个域的聚合数据集学习模型参数。该实验表明，所提出的模型在改善现实世界数据集上的粗粒骨料数据的任务中胜过：北京的空气污染物的时间序列以及来自纽约市和芝加哥的各种空间数据集。
translated by 谷歌翻译
一个著名的矢量定量变分自动编码器（VQ-VAE）的问题是，学识渊博的离散表示形式仅使用代码书的全部容量的一小部分，也称为代码书崩溃。我们假设VQ-VAE的培训计划涉及一些精心设计的启发式方法，这是这个问题的基础。在本文中，我们提出了一种新的训练方案，该方案通过新颖的随机去量化和量化扩展标准VAE，称为随机量化变异自动编码器（SQ-VAE）。在SQ-VAE中，我们观察到一种趋势，即在训练的初始阶段进行量化是随机的，但逐渐收敛于确定性量化，我们称之为自宣传。我们的实验表明，SQ-VAE在不使用常见启发式方法的情况下改善了代码书的利用率。此外，我们从经验上表明，在视觉和语音相关的任务中，SQ-VAE优于VAE和VQ-VAE。
translated by 谷歌翻译