跨越可适应性与安全性：在多样化物理环境下学习灵活且无碰撞的 locomotion
机器人学
2025-02-20 v3 机器学习
摘要
实际生态的四足 locomotion 系统常需在不同情景下协调灵活性与安全性。此外，底层动力学常为未知且时变的（例如有效载荷、摩擦系数）。本文引入了 BAS（Bridging Adaptivity and Safety），该系统基于先前工作 Agile But Safe（ABS）（He 等）构建，旨在在具有不确定性的动态环境中提供自适应安全性。BAS 包括用于快速规避障碍的灵活策略、用于防止碰撞的恢复策略、用于与灵活策略并行训练的物理参数估计器，以及支配策略切换的学习型控制论到达-避让（RA）价值网络。此外，灵活策略和 RA 网络都以物理参数为条件，以实现自适应性。为缓解分布迁移问题，我们进一步引入用于估计器的在策略微调阶段，以提高其鲁棒性和准确性。仿真结果表明，BAS 在动态环境下的安全性比基线方法提高了 50%，同时平均速度保持更高。实际实验中，BAS 在具有未知物理条件的复杂环境中展现出能力（例如具有未知摩擦系数的湿滑地面、未知有效载荷最高达 8kg），而基线方法缺乏可适应性，导致碰撞或灵活性下降。因此，BAS 在实际世界中实现了速度提升 19.8%，碰撞率比 ABS 降低 2.36 倍。视频：https://adaptive-safe-locomotion.github.io
引用
@article{arxiv.2501.04276,
title = {Bridging Adaptivity and Safety: Learning Agile Collision-Free Locomotion Across Varied Physics},
author = {Yichao Zhong and Chong Zhang and Tairan He and Guanya Shi},
journal= {arXiv preprint arXiv:2501.04276},
year = {2025}
}
备注
11 Pages, 6 Figures