基於斯坦變分推斷的分佈魯棒控制在接觸豐富操作中的應用

在機器人操作領域，接觸豐富的任務（如抓取、裝配等）對控制策略提出了嚴峻挑戰，因為這類任務要求機器人能夠準確表示並適應由接觸交互帶來的不確定性。當前，數據驅動的方法通過大規模訓練來緩解不確定性，但在訓練樣本有限時性能顯著下降。相比之下，傳統的基於模型的控制方法計算高效且可靠，但其對任務相關不確定性的表示能力有限，在接觸豐富的交互中可能表現不佳。

針對這一矛盾，本研究提出了一種新穎的分佈魯棒控制方法，旨在通過更靈活的不確定性建模來擴展模型控制的能力。研究團隊將操作問題轉化為一個分佈魯棒控制優化問題，並基於斯坦變分推斷（Stein Variational Inference）提出了一種新穎的確定性公式。該公式在保持性能的同時，顯式地建模了任務敏感的參數不確定性。因此，所得控制器能夠更敏鋭地感知任務對不確定性的敏感度，從而在不犧牲性能的前提下實現高可靠性。

實驗部分在多種接觸豐富的操作任務中驗證了該方法的有效性。在廣泛的參數不確定性條件下，該方法實現了高達3倍的魯棒性提升，顯著優於現有的基於模型的控制方法。研究結果表明，通過將分佈魯棒優化與變分推斷相結合，能夠有效提升機器人操作在不確定環境下的可靠性。這項研究為接觸豐富操作中的魯棒控制提供了新的思路，有望推動機器人技術在實際複雜場景中的應用。

此外，該方法的一個關鍵優勢在於其保留了模型控制的高計算效率，同時增強了不確定性處理能力。與傳統數據驅動方法需要大量訓練數據不同，該方案在少量樣本下仍能保持良好性能。該方法對工業機器人裝配、精密操作等場景具有重要價值，它使得機器人能夠在面對零件公差變化、環境擾動等不確定因素時，依然保持穩定的操作表現。基於斯坦變分推斷的公式具有良好的數學可解釋性，便於後續的理論分析和改進。未來，研究團隊計劃將該方法擴展到更復雜的多接觸任務中，並探索與深度學習的結合。該論文已被2025年7月在悉尼舉行的機器人學：科學與系統會議（RSS）接收。