学习H∞运动控制

在陡峭环境中稳定运动是四足机器人的基本任务，需要抵抗各种外部干扰。最近的神经策略通过学习抵抗从固定分布中采样的外力来增强鲁棒性。然而，力的生成过程不考虑机器人当前状态，难以确定最有效方向和大小。本文提出将鲁棒运动学习过程建模为运动策略与可学习干扰之间的对抗交互，该干扰以机器人状态为条件生成适当外力。为了稳定联合优化，我们新颖的$H_{\infty}$约束强制了成本与外力强度之比的界限。我们在模拟环境和真实部署中验证了方法的鲁棒性，包括四足运动任务和更具挑战性的仅用后腿运动任务。训练和部署代码将公开。