通过强化学习改进双足机器人的输入输出线性化控制器
系统与控制
2020-05-05 v2 机器学习
机器人学
系统与控制
摘要
输入输出线性化控制器的主要缺点是需要精确的动力学模型且无法考虑输入约束。模型不确定性在几乎所有机器人应用中都很常见,而输入饱和存在于每个实际系统中。在本文中,我们针对双足机器人控制这一具体情况,利用强化学习技术解决这两个挑战。在标准输入输出线性化控制器的结构基础上,我们使用一个加性学习项来补偿模型不确定性。此外,通过对学习问题添加约束,我们在存在输入限制时提升了最终控制器的性能。我们在五连杆平面行走机器人 RABBIT 上针对不同不确定性水平证明了所设计框架的有效性。
引用
@article{arxiv.2004.07276,
title = {Improving Input-Output Linearizing Controllers for Bipedal Robots via Reinforcement Learning},
author = {Fernando Castañeda and Mathias Wulfman and Ayush Agrawal and Tyler Westenbroek and Claire J. Tomlin and S. Shankar Sastry and Koushil Sreenath},
journal= {arXiv preprint arXiv:2004.07276},
year = {2020}
}
备注
Final version appearing in Learning for Dynamics and Control (L4DC) 2020 Conference