基于深度学习可达性的步行机器人步态切换与增强稳定化：以二连杆行走器为例的案例研究

基于学习的方法近期在足式运动中取得了显著成功。然而，这些方法通常缺乏可解释性，需要通过经验测试来确定其有效性。在本工作中，我们旨在设计一种稳定性可被检验和保证的基于学习的运动控制器。这可以通过验证足式机器人向其稳定行走步态的吸引区来实现。由于足式机器人的混合动力学特性，这是一个非平凡的问题。尽管先前的工作展示了 Hamilton-Jacobi（HJ）可达性在解决该问题上的效用，但其较差的可扩展性限制了实用性。我们工作的核心贡献是将基于深度学习的 HJ 可达性解决方案应用于混合足式机器人动力学，从而克服了先前工作的局限性。借助学习到的可达性解决方案，首先，我们可以估计各种步态的 RoA 库。其次，我们可以设计一个单步预测控制器，在验证的 RoA 内有效稳定到单个步态。最后，我们可以设计一种响应外部扰动的步态切换策略，其可行性由 RoA 分析指导。我们在数学模型已完善的二连杆行走器仿真中演示了我们的方法。与先前基于模型的方法相比，我们的方法实现了更好的稳定性，同时确保了现有基于学习方法中所缺乏的透明度。