基于GRFM-Net的双足 locomotion MPC 自动调参以实现高效仿真到实际迁移
机器人学
2024-09-25 v1 人工智能
系统与控制
系统与控制
摘要
双足 locomotion 控制对于人形机器人在复杂的人类环境中导航至关重要。虽然基于优化的控制设计流行于整合人形机器人的精细模型，但通常需要大量的手动调参。在本文中，我们针对双足 locomotion 控制的参数选择问题，提出了 DiffTune 方法，这是一种基于模型的自动调参方法，利用微分规划实现高效参数学习。主要难点在于在模型保真度与可微性之间进行权衡。我们采用低保真度模型实现可微性，并通过 Ground Reaction Force-and-Moment Network (GRFM-Net) 捕捉 MPC 命令与实际控制效果之间的差异。我们在硬件实验中验证了 DiffTune with GRFM-Net 所学习到的参数，结果表明这些参数在多目标设置下优于基线参数，相较于专家调参参数，总损失降低最高可达 40.5\%。结果确认了 GRFM-Net 在缩小仿真到实际差距方面的有效性，提高了从仿真学习参数到实际硬件的可迁移性。
引用
@article{arxiv.2409.15710,
title = {Autotuning Bipedal Locomotion MPC with GRFM-Net for Efficient Sim-to-Real Transfer},
author = {Qianzhong Chen and Junheng Li and Sheng Cheng and Naira Hovakimyan and Quan Nguyen},
journal= {arXiv preprint arXiv:2409.15710},
year = {2024}
}