Una revisión de modelos de dinámica basados en el aprendizaje para la manipulación robótica

Los modelos de dinámica que predicen los efectos de las interacciones físicas son esenciales para la planificación y el control en la manipulación robótica. Aunque los modelos basados en principios físicos a menudo se generalizan bien, típicamente requieren información de estado completo, lo que puede ser difícil o imposible de extraer de los datos de percepción en escenarios complejos y del mundo real. Los modelos de dinámica basados en el aprendizaje proporcionan una alternativa al derivar funciones de transición de estado puramente de datos de interacción percibidos, lo que permite capturar factores complejos y difíciles de modelar, así como la incertidumbre predictiva, y acelera simulaciones que a menudo son demasiado lentas para el control en tiempo real. Éxitos recientes en este campo han demostrado avances notables en las capacidades de los robots, incluyendo la manipulación a largo plazo de objetos deformables, materiales granulares e interacciones complejas entre múltiples objetos, como el almacenamiento y el empaquetado. Un aspecto crucial de estas investigaciones es la elección de la representación del estado, que determina los sesgos inductivos en el sistema de aprendizaje para el modelado de dinámica de escena de orden reducido. Este artículo proporciona una revisión oportuna y completa de las técnicas y compensaciones actuales en el diseño de modelos de dinámica aprendidos, destacando su papel en el avance de las capacidades robóticas a través de la integración con la estimación de estado y el control, e identificando brechas críticas en la investigación para exploraciones futuras.