基于深度强化学习的张拉整体机器人运动控制
机器人学
2017-03-09 v3 机器学习
摘要
由弹性绳索连接的刚性杆构成的张拉整体机器人，具有许多独特的性质，使其在行星探测漫游车应用中颇具吸引力。然而，由于其不寻常的结构和复杂的动力学，张拉整体机器人的控制仍然是一个难题。在这项工作中，我们展示了如何通过将镜像下降引导策略搜索（MDGPS）的一种新颖扩展应用于周期性运动，来自动学习运动步态，并证明了我们的方法在张拉整体机器人运动上的有效性。我们通过在 SUPERball 张拉整体机器人上的真实世界和模拟实验来评估我们的方法，结果表明，学习到的策略能够泛化到系统参数变化、不可靠的传感器测量以及环境条件的变化，包括不同的地形和一系列不同的重力。我们的实验证明，我们的方法不仅能为滚动步态学习到快速、节能的反馈策略，而且这些策略仅依靠 SUPERball 加速度计提供的有限机载传感就能成功。我们将学习到的反馈策略与学习到的开环策略和手工设计的控制器进行了比较，并证明学习到的策略使真实的 SUPERball 机器人首次实现了连续、可靠的运动步态。我们的代码和其他补充材料可从 http://rll.berkeley.edu/drl_tensegrity 获取。
引用
@article{arxiv.1609.09049,
title = {Deep Reinforcement Learning for Tensegrity Robot Locomotion},
author = {Marvin Zhang and Xinyang Geng and Jonathan Bruce and Ken Caluwaerts and Massimo Vespignani and Vytas SunSpiral and Pieter Abbeel and Sergey Levine},
journal= {arXiv preprint arXiv:1609.09049},
year = {2017}
}
备注
International Conference on Robotics and Automation (ICRA), 2017. Project website link is http://rll.berkeley.edu/drl_tensegrity