复杂地形中多足机器人的进化步态迁移
机器人学
2020-12-25 v1 神经与进化计算
摘要
机器人步态优化是在各种内部和外部约束下生成最优控制轨迹的任务。鉴于控制空间的高维性，该问题对于在复杂未知环境中行走的多足机器人尤为具有挑战性。现有文献常将步态生成视为优化问题，并针对在特定环境中行走的机器人从头求解步态优化。然而，此类方法未考虑利用预先获取的知识，而该知识有助于提升复杂环境中运动生成的质量与速度。为解决该问题，本文提出一种基于迁移学习的多目标步态优化进化框架，称为 Tr-GO。其思想是利用迁移学习技术初始化高质量种群，从而任何基于种群的优化算法均可无缝集成至该框架中。其优势在于所生成的步态不仅能动态适应不同环境与任务，还可同时满足多个设计规范（如速度、稳定性）。实验结果表明，基于三种多目标进化算法 NSGA-II、RM-MEDA 和 MOPSO，所提框架对步态优化问题的有效性。当将预先获取的知识从平地迁移至各种倾斜及崎岖地形时，所提 Tr-GO 框架相比无迁移场景将进化过程加速了至少 3-4 倍。
引用
@article{arxiv.2012.13320,
title = {Evolutionary Gait Transfer of Multi-Legged Robots in Complex Terrains},
author = {Min Jiang and Guokun Chi and Geqiang Pan and Shihui Guo and Kay Chen Tan},
journal= {arXiv preprint arXiv:2012.13320},
year = {2020}
}