在 ATRIAS 双足机器人上利用领域知识进行贝叶斯优化

机器人学中的控制器通常由专家设计的启发式规则组成，这些规则在高维空间中难以调参。通常使用仿真来学习这些参数，但在仿真中学习的控制器往往无法迁移到硬件上。这要求直接在硬件上进行优化。然而，在硬件上收集数据可能成本高昂。这促使近期研究者将数据高效的学习技术应用于机器人学。一种流行的方法是贝叶斯优化（Bayesian Optimization, BO），一种样本高效的黑盒优化方案，但其性能通常在高维空间中会下降。我们旨在通过结合领域知识以有意义的方式降低维度来克服这一问题，重点关注双足运动。在先前的工作中，我们提出了一种基于人类行走知识的变换，将 16 维控制器投影到 1 维空间。在仿真中，当在人形模型上优化人类启发的神经肌肉行走控制器时，这展现了增强的样本效率。在本文中，我们提出了一种适用于非人形机器人形态的广义特征变换，并在 ATRIAS 双足机器人上对其进行了评估——包括在仿真和硬件上。我们提出了三种不同的行走控制器；其中两种在真实机器人上进行了评估。结果表明，与传统 BO 相比，该特征变换捕捉了行走的重要方面，并加速了在硬件和仿真上的学习。