基于斯坦变分推断的分布鲁棒控制在接触丰富操作中的应用

在机器人操作领域，接触丰富的任务（如抓取、装配等）对控制策略提出了严峻挑战，因为这类任务要求机器人能够准确表示并适应由接触交互带来的不确定性。当前，数据驱动的方法通过大规模训练来缓解不确定性，但在训练样本有限时性能显著下降。相比之下，传统的基于模型的控制方法计算高效且可靠，但其对任务相关不确定性的表示能力有限，在接触丰富的交互中可能表现不佳。

针对这一矛盾，本研究提出了一种新颖的分布鲁棒控制方法，旨在通过更灵活的不确定性建模来扩展模型控制的能力。研究团队将操作问题转化为一个分布鲁棒控制优化问题，并基于斯坦变分推断（Stein Variational Inference）提出了一种新颖的确定性公式。该公式在保持性能的同时，显式地建模了任务敏感的参数不确定性。因此，所得控制器能够更敏锐地感知任务对不确定性的敏感度，从而在不牺牲性能的前提下实现高可靠性。

实验部分在多种接触丰富的操作任务中验证了该方法的有效性。在广泛的参数不确定性条件下，该方法实现了高达3倍的鲁棒性提升，显著优于现有的基于模型的控制方法。研究结果表明，通过将分布鲁棒优化与变分推断相结合，能够有效提升机器人操作在不确定环境下的可靠性。这项研究为接触丰富操作中的鲁棒控制提供了新的思路，有望推动机器人技术在实际复杂场景中的应用。

此外，该方法的一个关键优势在于其保留了模型控制的高计算效率，同时增强了不确定性处理能力。与传统数据驱动方法需要大量训练数据不同，该方案在少量样本下仍能保持良好性能。该方法对工业机器人装配、精密操作等场景具有重要价值，它使得机器人能够在面对零件公差变化、环境扰动等不确定因素时，依然保持稳定的操作表现。基于斯坦变分推断的公式具有良好的数学可解释性，便于后续的理论分析和改进。未来，研究团队计划将该方法扩展到更复杂的多接触任务中，并探索与深度学习的结合。该论文已被2025年7月在悉尼举行的机器人学：科学与系统会议（RSS）接收。