HAC-LOCO：用于持续外部扰动下四足 locomotion 的层次化主动合规控制学习

尽管近期在四足动物控制方面取得了显著成就，但在不可见的外部扰动下确保稳健且合规的 locomotion 仍具有挑战性。现有方法优先考虑 locomotion 的稳健性，往往导致刚性、高频运动和能源效率低下。因此，本文提出了两个阶段的层次化学习框架，能够基于力估计学习主动应对外部力扰动。在第一个阶段，训练一个速度跟踪策略，同时训练一个自编码器以提炼历史关节感知特征。通过监督学习学习一个神经网络-based 估计器，该估计器基于关节感知测量值估计身体速度和外部力。在第二个阶段，基于预训练的编码器和策略学习一个受阻抗控制启发的合规动作模块。该模块用于根据实时力估计主动调整对外部力的响应。通过合规动作模块，四足机器人能够在处理小扰动时保持稳健，同时在面对显著力时进行适当的让渡，从而在稳健性和合规性之间取得平衡。仿真和实际实验表明，我们的方法在稳健性、能源效率和安全性方面表现优异。实验比较显示，我们的方法优于最先进的基于强化学习的 locomotion 控制器。还给出消融研究，以显示合规动作模块的关键作用。