基于强化学习的张拉整体机器人在崎岖地形上的自适应运动
机器人学
2018-10-01 v1
摘要
张拉整体机器人的动力学特性赋予其引人注目的鲁棒性与适应性，但在运动控制方面带来重大挑战。由于高维度和复杂接触响应，数据驱动方法适于产生可行的反馈策略。引导策略搜索（GPS）是一种样本高效且无模型的混合优化与强化学习框架，近来已被用于使球形6杆张拉整体机器人在平坦或轻微变化表面上产生周期性运动。本工作拓展至非周期性运动并实现崎岖地形穿越，这需要更广泛变化、自适应且非周期性的 rover 行为。该贡献改变了GPS的控制优化步骤——其在局部拟合并利用动力学的代理模型——并沿用现有的监督学习步骤。所提方案引入新流程，以在崎岖地形运动中样本数据无序的情况下确保有效的局部建模。仿真演示表明，所得控制器维持了可靠穿越崎岖地形所需的高度自适应行为。
引用
@article{arxiv.1809.10710,
title = {Adaptive Tensegrity Locomotion on Rough Terrain via Reinforcement Learning},
author = {David Surovik and Kun Wang and Kostas E. Bekris},
journal= {arXiv preprint arXiv:1809.10710},
year = {2018}
}
备注
submitted to ICRA 2019