脑-体-任务协同适应可提升自主学习与双足行走速度
机器人学
2024-02-07 v1 机器学习
摘要
受动物协同适应其大脑和身体以与环境交互的启发，我们提出了一种腱驱动且过驱动（即 n 个关节，n+1 个驱动器）的双足机器人，它 利用其可反向驱动的机械特性在无需显式控制的情况下管理身体-环境交互，并且 使用简单的 3 层神经网络，在仅 2 分钟的“自然”运动咿呀（即一种与腿部和任务动力学兼容的探索策略；类似于儿戏）后学会行走。这种脑-体协作首先学会在“空中”产生足部周期性运动，并且在无需进一步调整的情况下，当双足机器人下降至与地面轻微接触时即可产生运动。相比之下，使用 2 分钟的“朴素”运动咿呀（即一种忽略腿部任务动力学的探索策略）进行训练，无法在“空中”产生一致的周期性运动，并且在轻微接触地面时产生不规律运动且无法行进。当进一步降低双足机器人并使期望的腿部轨迹到达地面以下 1cm 处（导致期望与实际轨迹误差不可避免）时，基于自然或朴素咿呀的周期性运动呈现出几乎同样持久的趋势，并且在朴素咿呀中出现了行进。因此，我们展示了在不可预见情况下的持续行走学习如何由根植于被控对象可反向驱动特性的持续物理适应所驱动，并得到利用被控对象动力学的探索策略的增强。我们的研究还表明，肢体和控制策略的仿生协同设计与协同适应可以在不对轨迹误差进行显式控制的情况下产生运动。
引用
@article{arxiv.2402.02387,
title = {Brain-Body-Task Co-Adaptation can Improve Autonomous Learning and Speed of Bipedal Walking},
author = {Darío Urbina-Meléndez and Hesam Azadjou and Francisco J. Valero-Cuevas},
journal= {arXiv preprint arXiv:2402.02387},
year = {2024}
}