Ground contact 与 reaction force 感知用于线性策略控制的四足机器人

设计能够遍历不平坦地形并克服物理障碍的机器人是机器人领域的长期挑战。行走机器人因其灵活性、可冗余的自由度以及 locomoting 附件的间歇性接触而表现出前景。然而，行走机器人的复杂性和众多自由度使得控制它们极其困难且计算密集。使用强化学习训练的线性策略已被证明能够足够启用四足行走，同时计算开销较小。本研究旨在研究将新的状态变量（ground contact 与 reaction force）扩充到线性策略观察空间中，对策略性能的影响。由于地面接触和反应力是机器人-环境相互作用的主要方式，它们是线性策略必须依赖的关键状态变量。实验结果表明， 将地面接触和反应力数据扩充到观察空间后，训练的策略在生存性、对外部扰动的稳定性以及对未经训练条件的适应性方面表现更佳。