深度全身控制：学习用于操作与移动的统一策略
机器人学
2022-10-19 v1 人工智能
计算机视觉与模式识别
机器学习
系统与控制
系统与控制
摘要
附加的机械臂可显著提升腿式机器人在若干轮式或履带式机器人无法完成的移动操作任务中的适用性。此类腿式操作器的标准分层控制流程是将控制器解耦为操作与移动两部分。然而这效率低下：它需要大量工程来支持臂与腿的协调，且误差会跨模块传播导致不平滑、不自然的运动；鉴于跨肢体强运动协同的证据，这在生物学上也不合理。本工作中，我们提出利用强化学习为腿式操作器学习统一的全身控制策略。我们提出正则化在线适配以弥合高自由度控制的 Sim2Real 鸿沟，并提出优势混合利用动作空间中的因果依赖来克服全身系统训练中的局部极小。我们还给出了一种低成本腿式操作器的简单设计，并发现我们的统一策略可在多个任务设置中展现动态且敏捷的行为。视频见 https://maniploco.github.io
引用
@article{arxiv.2210.10044,
title = {Deep Whole-Body Control: Learning a Unified Policy for Manipulation and Locomotion},
author = {Zipeng Fu and Xuxin Cheng and Deepak Pathak},
journal= {arXiv preprint arXiv:2210.10044},
year = {2022}
}
备注
CoRL 2022 (Oral). Project website at https://maniploco.github.io