【运动规划】开源 | 无论初始状态和干扰如何，驱动机器人到期望轨迹的控制策略，跟踪误差少，执行速度快！

实时分享CVPR、ECCV等会议，关注深度学习、自动驾驶领域，我们期待你的加入。点击上方“CNNer”，选择加“星标”或“置顶”精选干货，当日达。

长按关注▲ 长按加微信▲
备注：研究方向+地点+学校/公司+昵称，更快通过申请，长按加细分领域技术交流群，目前有细分领域：图像分割、图像目标检测、论文写作、车道检测、模型优化、目标跟踪、SLAM、点云处理（分割检测）、深度学习。

获取完整原文和代码，公众号回复：09101133556

论文地址： http://arxiv.org/pdf/2011.12569v1.pdf
代码：公众号回复：09101133556
来源：斯坦福国际研究院, 伊利诺伊大学香槟分校
论文名称：Learning Certified Control Using Contraction Metric
原文作者：Dawei Sun

内容提要
在本文中，我们解决了在任何给定的初始状态和有界干扰下，驱动机器人到期望参考轨迹的有保障的控制策略的问题，并保证跟踪误差收敛或有界。这种控制器在安全运动规划中起着至关重要的作用。我们利用控制收缩度量的先进理论，设计了一个基于神经网络的学习框架来综合控制仿射系统的收缩度量和控制器。我们进一步提供了验证收敛性和有界误差保证的方法。我们使用一套具有挑战性的机器人模型来演示我们方法的性能，包括以神经网络形式学习动力学的模型。我们将我们的方法与使用平方和规划、强化学习和模型预测控制的领先方法进行比较。结果表明，我们的方法确实可以处理更广泛的一类系统，具有更少的跟踪误差和更快的执行速度。
主要框架及实验结果

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。
知识星球：

点个“在看”，让我知道你的爱