H-GAP：基于通用规划器的仿人机器人控制
机器学习
2023-12-06 v1 人工智能
机器人学
摘要
仿人机器人控制是一项重要的研究挑战，为融入以人为中心的基础设施和实现物理驱动的仿人动画提供了途径。该领域的艰巨挑战源于高维动作空间优化的困难以及仿人机器人双足形态带来的不稳定性。然而，大量人体运动捕捉数据及其衍生的仿人轨迹数据集（如MoCapAct）为解决这些挑战铺平了道路。在此背景下，我们提出了仿人通用自编码规划器（H-GAP），这是一种在源自人体运动捕捉数据的仿人轨迹上训练的状态-动作轨迹生成模型，能够通过模型预测控制（MPC）熟练处理下游控制任务。对于56自由度的仿人机器人，我们通过实验证明H-GAP能够学习表示并生成广泛的运动行为。此外，无需任何在线交互学习，它还能通过规划灵活地将这些行为迁移到解决新颖的下游控制任务中。值得注意的是，H-GAP优于能够获取真实动力学模型的已有MPC基线方法，并且与针对单个任务训练的离线RL方法相比表现更优或相当。最后，我们对H-GAP的扩展特性进行了一系列实证研究，展示了通过增加数据而非计算量来提升性能的潜力。代码和视频见https://ycxuyingchen.github.io/hgap/。
引用
@article{arxiv.2312.02682,
title = {H-GAP: Humanoid Control with a Generalist Planner},
author = {Zhengyao Jiang and Yingchen Xu and Nolan Wagener and Yicheng Luo and Michael Janner and Edward Grefenstette and Tim Rocktäschel and Yuandong Tian},
journal= {arXiv preprint arXiv:2312.02682},
year = {2023}
}
备注
18 pages including appendix, 4 figures