内容摘要
作者提出广义执行器网络（GenAN），针对肌肉与肌腱驱动中的非线性、迟滞和摩擦，将学习得到的执行器模型与刚体动力学仿真结合。网络根据关节位置和控制信号的历史预测关节力矩，以仿真下一步位置与实测位置的差异训练，无需力矩传感器。研究先采集 2500 条随机开环轨迹，共约 1.4 小时真机数据，再在加入执行器模型的仿真中训练强化学习策略，最后零样本部署到四自由度气动人工肌肉驱动、肌腱传动的 PAMY2 机械臂，完成目标到达、接球入杯和乒乓球任务。
方法采用五个模型组成的集成，在仿真每一步随机选择一个模型，以缓解策略对模型不确定性的过拟合。作者报告，乒乓球策略在 100 次试验中成功 96 次，成功定义为将球回到对方半台。不过，更准确的执行器仿真并未带来所有任务上的策略优势：相较采用力矩损失训练的 Torque GenAN，GenAN 仅在乒乓球任务上表现更好，另外两项任务表现相当。
点评
提供了一条无需力矩传感器、将复杂执行器学习与已有刚体仿真结合的策略训练路径；场景增删物体不必重新训练执行器网络。
证据为作者论文中的 PAMY2 实验，不作跨平台能力外推。训练数据需充分覆盖工作空间；更大负载变化和密集接触可能需要补充代表性数据，长期使用中的动力学漂移还需定期采集数据并重训。
版本与核查范围
版本 2604.09487v4 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 page:2；page:2；page:4；page:9；page:4；page:3；page:5；page:9；page:5；page:5；page:28；page:7