基于能量的腿式机器人地形可通过性建模：一种深度逆向强化学习方法
机器人学
2022-07-08 v1
摘要
本文报告了一种用于腿式机器人地形可通过性建模的深度逆向强化学习方法的开发，该方法融合了外部感知和本体感知数据。现有工作使用与机器人无关的外部感知环境特征或手工设计的运动学特征；而我们提出，同时从本体感知数据中学习机器人特定的惯性特征，用于在单个深度神经网络中进行奖励逼近。融入惯性特征可以提高模型保真度，并提供一种在部署期间依赖于机器人状态的奖励。我们使用最大熵深度逆向强化学习（MEDIRL）算法训练奖励网络，并提出同时最小化轨迹排序损失，以应对腿式机器人演示的次优性。演示的轨迹按运动能耗进行排序，以便学习一个能量感知的奖励函数和一个比演示更节能的策略。我们使用由MIT Mini-Cheetah机器人和Mini-Cheetah模拟器收集的数据集评估了我们的方法。代码公开于 https://github.com/ganlumomo/minicheetah-traversability-irl。
引用
@article{arxiv.2207.03034,
title = {Energy-based Legged Robots Terrain Traversability Modeling via Deep Inverse Reinforcement Learning},
author = {Lu Gan and Jessy W. Grizzle and Ryan M. Eustice and Maani Ghaffari},
journal= {arXiv preprint arXiv:2207.03034},
year = {2022}
}