来自麻省理工学院和斯坦福大学的研究人员引入了一种新颖的机器学习技术，有潜力在动态环境和快速变化条件下彻底改变机器人（如无人机和自动驾驶车辆）的控制。
这种创新的方法将控制理论原则纳入机器学习过程中，从而可以创建更高效和有效的控制器。研究人员的目标是学习系统动力学内在结构，以设计出更优秀的稳定控制器。
该技术的核心是将控制导向结构整合到模型学习过程中。通过从数据中联合学习系统动力学和这些独特的控制导向结构，研究人员能够生成在真实场景中表现出色的控制器。
与传统的机器学习方法需要单独的步骤来推导或学习控制器不同，这种新方法可以直接从学习到的模型中提取出有效的控制器。此外，由于包含了这些控制导向结构，该技术在少量数据的情况下实现更好的性能，因此在快速变化的环境中特别有价值。
这种方法的灵感来自机器人学家如何利用物理学来推导简化的机器人模型。这些手动推导的模型基于系统的物理特性捕捉了基本的结构关系。然而，在复杂的系统中，手动建模变得不可行，研究人员通常使用机器学习来将模型拟合到数据上。现有方法的挑战在于它们忽视了基于控制的结构，而这对于优化控制器性能至关重要。
麻省理工学院和斯坦福大学团队的技术通过在机器学习过程中引入控制导向结构来解决这个限制。通过这样做，他们可以直接从学习到的动力学模型中提取控制器，有效地将基于物理学的方法与数据驱动的学习相结合。
在测试中，新的控制器紧密地跟随期望的轨迹，并优于各种基准方法。值得注意的是，从学习到的模型中派生的控制器几乎与使用精确系统动力学构建的基准控制器的性能相匹配。
该技术还具有数据效率高的特点，在最少的数据点上取得了出色的性能。相比之下，使用多个学习组件的其他方法在数据集较小时性能迅速下降。
这种数据效率对于机器人或无人机需要快速适应快速变化条件的场景尤其有希望，非常适合实际应用。
研究的一个值得注意的方面是其普适性。该方法可以应用于各种动力系统，包括机器人手臂和在低重力环境中运行的自由飞行航天器。
展望未来，研究人员有兴趣开发更可解释的模型，以便识别动力系统的特定信息。这可能会导致性能更好的控制器，进一步推动非线性反馈控制领域的发展。
该研究的专家们赞扬了将控制导向结构作为学习过程中的归纳偏见的贡献。这种概念创新导致了高效的学习过程，产生了具有有效、稳定和强大控制能力的动态模型。
通过在学习过程中引入控制导向结构，这种技术为更高效和有效的控制器打开了令人兴奋的可能性，使我们离机器人在复杂场景中具有出色的技能和适应性的未来更近了一步。