arXiv cs.RO 机器人学· Magnus Dierking, Jo\~ao Carvalho, Vince Kurtz, Jan Peters, Nils Dengler, Georgia Chalvatzaki·· 5 小时前精选AI 评分55
论文提出 BAMPC 框架，系统研究接触丰富操作中 SMPC 的算力预算分配
Do My Samples Help? Compute Budget Allocation for Real-World Sampling-Based MPC in Contact-Rich Manipulation
AI 导读
论文针对接触丰富操作中的采样模型预测控制（SMPC），系统研究如何在有限算力预算下分配资源。作者开发了基于 MuJoCo Warp 的 GPU 框架 BAMPC，将动力学不确定性、状态不确定性和时间对齐作为预算的独立维度，并在仿真与真实机器人上使用同一套控制栈。在三个接触丰富操作任务上，最优预算分配取决于主导的 sim-to-real 误差来源，动力学随机化并非普遍最有效。
推荐理由
论文把固定算力预算拆成动力学不确定性、状态不确定性和时间对齐三个独立维度做对照实验，做 sim-to-real 的工程师可借鉴这种归因方法。
来源：arXiv cs.RO 机器人学 · arxiv.org