面向真实人形机器人的全身模型预测控制的分层学习框架
机器人学
2024-09-16 v1
摘要
仿真到现实的差距问题以及全身模型预测控制（whole-body MPC）的高计算负担，持续为使用全身MPC生成多样化运动在真实人形机器人上带来挑战。本文提出了一个受生物学启发的分层学习框架，以解决上述问题。该提出的三层分层框架使即使在whole-body MPC低频率策略更新下，也能够生成多接触、动态行为。上层负责学习精确的动态模型，以减少分析模型与真实系统之间的差异，从而能够使用whole-body MPC计算有效的控制策略。随后，中层和下层负责学习生成高频率控制输入的额外策略。为了在上层学习精确的动态模型，使用基于深度残差网络的增强模型通过基于随机whole-body MPC的模型基强化学习进行训练。该提出的框架在10个不同的运动学习场景中进行了评估，包括在平坦表面上的跑步和在曲面上的滑冰。结果表明，通过该框架的学习，能够在真实人形机器人上成功生成多样化的运动。
引用
@article{arxiv.2409.08488,
title = {Hierarchical Learning Framework for Whole-Body Model Predictive Control of a Real Humanoid Robot},
author = {Koji Ishihara and Hiroaki Gomi and Jun Morimoto},
journal= {arXiv preprint arXiv:2409.08488},
year = {2024}
}
备注
12 pages, 7 figures