具有学习型臂推控制器的腿式操控器交互导航
机器人学
2025-07-22 v2
摘要
在主动与物体交互可缩短路径从而显著提高穿越效率的场景中，交互导航至关重要。现有方法主要关注使用机器人本体重新定位大型障碍物（可能与机器人尺寸相当）。然而，在机器人尺寸限制其操控能力的狭窄或受限空间中，这些方法被证明无效。本文提出了一种面向腿式操控器的新型交互导航框架，其特征是主动臂推机制，使机器人能够在空间受限环境中重新定位可移动障碍物。为此，我们开发了一种基于强化学习的臂推控制器，采用两阶段奖励策略进行大型物体操控。具体而言，该策略首先引导操控器到达指定的推推区域以实现运动学上可行的接触配置。然后，引导末端执行器在适当的接触点保持位置，以实现稳定的物体位移，同时防止倾覆。仿真验证了臂推控制器的鲁棒性，表明两阶段奖励策略改善了策略收敛性和长期性能。真实世界实验进一步证明了所提出导航框架的有效性，实现了更短的路径和减少的穿越时间。开源项目地址：https://github.com/Zhihaibi/Interactive-Navigation-for-legged-manipulator.git。
引用
@article{arxiv.2503.01474,
title = {Interactive Navigation for Legged Manipulators with Learned Arm-Pushing Controller},
author = {Zhihai Bi and Kai Chen and Chunxin Zheng and Yulin Li and Haoang Li and Jun Ma},
journal= {arXiv preprint arXiv:2503.01474},
year = {2025}
}