面向越界分布条件的通用机器人 locomotion 运动控制方法——稳健变换器

为了在现实世界中取得成功，机器人必须应对训练期间未遇到的情形。这些用于四足机器人的越界分布情形主要包括挑战性的动态间隙和感知间隙。本文研究了在此类新情形下实现稳健 locomotion 的问题。虽然以往方法通常依赖设计复杂的训练和适应技术，但我们从网络模型的角度来 approaches this problem。我们提出的方法是稳健 locomotion 变换器 (ROLT)，这是一种变换器的变体，能够在各种未见情形下实现鲁棒性。ROLT 引入了两个关键设计：身体 tokenization 和一致性 dropout。身体 tokenization 支持跨不同肢体的知识共享，从而提升网络的泛化能力。同时，一种新颖的 dropout 策略增强了策略对未见感知噪声的鲁棒性。我们在四足和六足机器人上进行了大量实验。结果表明，ROLT 在鲁棒性上优于现有方法。尽管仅在少数几个动态环境中进行训练，所学习的策略也能良好地泛化到多个未见的动态条件。此外，尽管训练时使用干净的观测数据，模型在测试时仍能处理具有挑战性的噪声污染。