Hybrid LMC：基于集成深度强化学习的轮式人形机器人混合学习与模型控制
机器人学
2022-04-08 v1
摘要
由于轮式人形机器人非线性动力学与欠驱动特性，其运动控制是具挑战性的问题。传统上，反馈控制器被用于稳定与运动。然而，这些方法常受所用底层模型保真度、控制器选择及所考虑环境变量（表面类型、地面倾角等）的限制。强化学习（RL）近期进展提供了应对部分传统反馈控制器问题的有前景方法，但需大量交互数据以学习。本文提出结合经典线性二次调节器（LQR）与集成深度强化学习优势的混合并行学习与模型控制器 Hybrid LMC。集成深度强化学习由多个 Soft Actor-Critic（SAC）组成，用于降低 RL 网络方差。通过串联使用反馈控制器，网络在训练早期即展现稳定性能。作为初步步骤，我们在 MuJoCo 模拟器中探索 Hybrid LMC 在一组不同物理参数下控制人形机器人轮式运动的可行性。结果表明，Hybrid LMC 相较现有其他技术取得更优性能且具更高采样效率。
引用
@article{arxiv.2204.03159,
title = {Hybrid LMC: Hybrid Learning and Model-based Control for Wheeled Humanoid Robot via Ensemble Deep Reinforcement Learning},
author = {Donghoon Baek and Amartya Purushottam and Joao Ramos},
journal= {arXiv preprint arXiv:2204.03159},
year = {2022}
}
备注
Submitted to IROS2022