ロボット動力学の生成的インコンテキスト・メタ学習のための拡散系列モデル

Abstract

ロボットのダイナミクスを正確にモデル化することはモデルベース制御に不可欠ですが、分布シフトやリアルタイム制約の下では依然として困難です。本研究では、システム同定をインコンテキスト・メタ学習の問題として定式化し、順方向ダイナミクス予測のために決定論的および生成的な系列モデルを比較します。強力な決定論的ベースラインとしてTransformerベースのメタモデルを採用し、この設定に対して補完的な拡散ベースの2つのアプローチを導入します: （i）inpainting diffusion（Diffuser）。これは入力と観測の同時分布を学習します。および（ii）条件付き拡散モデル（CNNおよびTransformer）。これは制御入力に条件付けられて将来の観測を生成します。大規模なランダム化シミュレーションを通じて、分布内および分布外の状況における性能、ならびに制御に関連する計算上のトレードオフを解析します。拡散モデルが分布シフト下で頑健性を大幅に向上させることを示し、inpainting diffusionが本実験において最良の性能を達成します。最後に、ウォームスタート付きサンプリングにより拡散モデルがリアルタイム制約の範囲で動作できることを示し、制御アプリケーションにおいて実行可能であることを明らかにします。これらの結果は、ロボティクスにおける頑健なシステム同定のための有望な方向性として、生成的メタモデルを示唆しています。