软体机器人动力学学习采用不确定性感知主动探索框架

该论文提出一种不确定性感知的主动探索框架，让软体机器人系统自主学习与任务无关、可泛化的动力学模型。研究在三个仿真平台（连续体机械臂、流体中的关节鱼、肌骨腿）和一台真实气动驱动连续体机械臂上评估，相比随机探索和任务特定基线，该方法通过主动采集信息量更高的数据获得更高建模精度。模型质量提升带来未见任务零样本控制的更高回报，并在传感噪声、驱动延迟和材料非线性下保持稳健表现。作者据此认为，不确定性驱动的主动探索可在多种软体形态上实现数据高效的动力学学习，支撑柔性机器人的自主与自适应控制。