面向真实机器人五球杂耍的任务误差残差学习

通过方向性任务误差监督与任务误差模型驱动的样本选择，残差学习在 Barrett WAM 机械臂上实现稳定的三球、四球和五球杂耍，系统从第二次尝试即收敛，此后任务误差单调下降且无失败。对比显示，方向性反馈与信息性先验缺一不可，其中固定 Jacobian 的 Newton 更新最快且完全可靠。学习到的残差可容忍先验失配与关节跟踪退化，主要影响收敛速度。