迭代学习腿部机器人的肌肉记忆以掌握自适应与高精度 locomotion

本文提出了一种可扩展且自适应的腿部机器人控制框架，将迭代学习控制 (ILC) 与类生物学扭矩库 (TL) 集成在一起，类似于肌肉记忆。该方法解决了机器人 locomotion 中的关键挑战，包括在未建模动力学和外部扰动下的精确轨迹跟踪。通过利用周期性 gait 的重复性质并将 ILC 扩展到非周期任务，该框架提高了准确性和跨 diverse locomotion 场景的泛化能力。控制架构是数据驱动的，将源自混合系统轨迹优化的 physics-based model 与实时学习相结合，以补偿模型不确定性和外部扰动。核心贡献是开发了一个通用的 TL，用于存储所学控制配置，使能够快速适应速度、地形和重力条件的变化——消除重复学习的需求，显著降低在线计算需求。该方法在 bipedal 机器人 Cassie 和 quadrupedal 机器人 A1 上通过大量仿真和硬件实验进行了验证。结果表明，所提出的框架在几秒钟内将关节跟踪误差降低最高可达 85%，并可可靠地执行包括斜坡遍历和地形适应在内的定期和非定期 gait。与最先进的 whole-body controller 比较，所学技能在执行期间消除了在线计算需求，并实现了控制更新速率超过现有方法的 30 倍。这些发现突显了将 ILC 与扭矩记忆集成作为腿部 locomotion 在非结构化和动态环境中高度数据高效和实用的解决方案的有效性。