基于 NMPC 的四足 locomotion 多任务策略学习
机器人学
2025-05-14 v1
摘要
四足机器人在遍历复杂非结构化环境时优于轮式机器人，但由于其非线性动力学、高自由度以及实时控制的计算需求，使其实现高效和适应性 locomotion 仍富有挑战性。基于优化的控制器，如非线性模型预测控制（NMPC），展现出强大的性能，但其对准确状态估计和高计算开销的依赖使得在实际场景中部署具有挑战性。在本工作中，我们提出一种多任务学习（MTL）框架，其中使用专家 NMPC 演示来训练单个神经网络，直接从原始 proprioceptive 传感器输入预测多个 locomotion 行为的动作。我们在四足机器人 Go1 上进行了广泛评估，包括仿真和实际硬件，结果表明该方法能够准确复现专家行为，实现平滑的 gait 切换，并简化了实时部署的控制管线。我们的 MTL 架构实现了在统一策略中学习多样化 gait，实现所有任务中预测关节目标的高 分数。
关键词
引用
@article{arxiv.2505.08574,
title = {End-to-End Multi-Task Policy Learning from NMPC for Quadruped Locomotion},
author = {Anudeep Sajja and Shahram Khorshidi and Sebastian Houben and Maren Bennewitz},
journal= {arXiv preprint arXiv:2505.08574},
year = {2025}
}