论文页面 - 机器人学习中的物理先验知识嵌入：综述

来源：https://huggingface.co/papers/2609.22319 作者：

,

,

,

,

,

,

,

,

,

,

,

摘要

人工智能的飞速进步正在重塑机器人学，并加速基于学习的方法的应用。尽管纯数据驱动的方法在计算机视觉和自然语言处理领域取得了显著成功，但机器人学仍受限于数据有限、复杂的现实世界交互以及对可靠运行的需求。这些挑战促使人们探索物理嵌入式机器人学习，即在学习算法中嵌入物理先验知识。通过编码底层物理定律和约束，物理先验知识能够用机器人特定的归纳偏置来补充有限数据，可能提升泛化能力、可解释性和样本效率。然而，关于物理嵌入式机器人学习的文献在术语、方法和应用领域上仍然分散，使得评估这一不断增长的研究领域变得困难。本综述回顾了广泛的物理先验知识、机器人应用和机器学习模型（从单层感知器到生成式基础模型）中的物理嵌入式机器人学习。我们采用了一个统一的分类法，根据物理嵌入方式对现有方法进行分类：物理引导的输入、数据和表示；物理编码的模型架构；以及物理信息训练损失函数。基于此分类法，我们回顾了机器人动力学学习、轨迹规划、预测、控制和估计的方法，以及相应的开源软件生态系统。我们指出了关键的开放挑战，并概述了未来有前景的研究方向。总体而言，我们认为物理先验知识提供了一种特别相关的机器人特定归纳偏置，它补充而非替代数据驱动学习，并为实现更可泛化、更高效和更值得信赖的机器人系统铺平了道路。

查看arXiv页面 (https://arxiv.org/abs/2609.22319) 查看PDF (https://arxiv.org/pdf/2609.22319) GitHub5 (https://github.com/TUM-AVS/survey-physics-embedded-robot-learning) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.22319)

在您的代理中获取此论文：

hf papers read 2609\.22319

没有最新CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型README.md中引用arxiv.org/abs/2609.22319以从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集README.md中引用arxiv.org/abs/2609.22319以从此页面链接。

引用此论文的Spaces0

没有Space链接此论文

在Space README.md中引用arxiv.org/abs/2609.22319以从此页面链接。

包含此论文的收藏0

没有收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接。