Gaitor：跨步态的统一表征学习用于现实世界四足动物 locomotion

当前四足动物 locomotion 的前沿方法能够产生多种复杂运动。这些方法要么依赖在离散技能之间切换，要么学习使用复杂黑箱模型跨步态的分布。另一方面，我们提出了Gaitor，学习一种在 locomotion 步态之间进行解耦的 2D 表征。这种学习到的表征为闭环控制提供了规划空间，实现连续步态转换和感知地形遍历。Gaitor 的潜在空间是可解释的，我们发现在步态转换期间， novel 未见的步态会出现。该潜在空间相对于脚踢高度和长度进行了解耦。这意味着，这些步态特征可以在 2D 潜在表征中独立变化。结合简单的地形编码和在潜在空间中学习的规划器，Gaitor 可以执行包括所需步态类型和摆动特征的运动命令，同时对不均匀地形做出反应。我们在仿真和实际世界的 ANYmal C 平台上对 Gaitor 进行了评估。据我们所知，这是首个学习四足机器人多步态统一且可解释潜在空间的工作，实现了真实四足机器人上不同 locomotion 模式的连续混合。本文的方法和结果概述可在 https://youtu.be/eVFQbRyilCA 查看。