面向复杂交互行为的级联组合残差学习
机器人学
2022-12-20 v1 机器学习
摘要
现实世界的自主任务通常需要与附近物体（如门或开关）进行丰富的交互，同时进行有效的导航。然而，此类复杂行为难以学习，因为它们既涉及高层规划又涉及低层运动控制。我们提出了一个新颖的框架——级联组合残差学习（CCRL），该框架通过递归利用先前学习到的控制策略库来学习组合技能。我们的框架在冻结先决策略的同时，同步学习乘性策略组合、任务特定的残差动作以及合成目标信息。我们进一步通过正则化残差动作来显式控制运动风格。我们展示了该框架能够为从基本移动到复杂交互导航的多种运动技能学习关节级控制策略，包括绕障导航、推物、桌下爬行、用腿推开门并在穿过时保持门开启。所提出的CCRL框架产生的策略具有一致的风格和较低的关节力矩，我们成功地将其迁移到真实的宇树A1机器人上，无需任何额外的微调。
引用
@article{arxiv.2212.08954,
title = {Cascaded Compositional Residual Learning for Complex Interactive Behaviors},
author = {K. Niranjan Kumar and Irfan Essa and Sehoon Ha},
journal= {arXiv preprint arXiv:2212.08954},
year = {2022}
}
备注
Website: https://www.kniranjankumar.com/ccrl/