论文
通过基于采样的干扰观测器解决模拟与真实的不匹配问题：从分析模型到学习世界模型
Tackling Sim-to-Real Mismatch Through Sampling-Based Disturbance Observers: From Analytical Models to Learned World Models
摘要
机器人控制器越来越依赖分析模型、模拟器、成本查询接口和学习世界模型。然而，物理部署可能会偏离名义假设，即使模型本身是准确的，也可能会出现额外的干扰。在控制系统中，扰动观测器 (DOB) 被广泛用于根据标称模型和测量反馈来估计此类未测量的影响。经典的 DOB 公式通常是围绕显式植物模型构建的。本文开发了基于采样的扰动观测器（SDOB），通过状态执行轨迹或成本查询接口将 DOB 原理扩展到更广泛的模型，包括模拟器和学习世界模型。 SDOB 分离了两个可观察的通道：状态效应干扰（反馈状态与其预测不同）和成本干扰（随着感知环境的变化，相同的查询状态会收到不同的成本）。跨传统模型和学习模型的各种仿真和真实机器人实验证明了 SDOB 在补偿模拟与真实不匹配和提高控制性能方面的有效性。
