基于潜状态表示的策略转换扩展敏捷运动的多功能性
机器人学
2023-06-16 v1 机器学习
摘要
本文提出 transition-net，一种鲁棒的转换策略，可在真实机器人环境中扩展机器人运动的多功能性。为此，我们首先将不同步态的复杂性分配到适用于真实机器人的专用运动策略中。接着，我们通过考察潜状态表示，以鲁棒转换将各策略统一为单一连贯的元控制器，从而扩展机器人的多功能性。我们的方法使机器人能够迭代扩展其技能库，并在库中的任意策略对之间鲁棒地转换。在我们的框架中，添加新技能不会引入任何改变先前所学技能的过程。此外，使用单块消费级 GPU 训练一个运动策略耗时不到一小时。我们的方法在真实世界中有效，在实验中最具挑战性的转换对上相比现有方法实现了平均成功率高出 19%。
引用
@article{arxiv.2306.08224,
title = {Expanding Versatility of Agile Locomotion through Policy Transitions Using Latent State Representation},
author = {Guilherme Christmann and Ying-Sheng Luo and Jonathan Hans Soeseno and Wei-Chao Chen},
journal= {arXiv preprint arXiv:2306.08224},
year = {2023}
}
备注
Presented at ICRA 2023