学习用于欠驱动腿式毫微型机器人控制的图条件动力学模型
机器人学
2018-04-02 v3 机器学习
摘要
毫微型机器人因其体积小、制造成本低，在许多应用中是一种有前景的机器人平台。尤其是腿式毫微型机器人，能够在复杂环境中提供更高的机动性并改善越障的尺度性能。然而，控制这些小型、高度动态且欠驱动的腿式系统十分困难。手工设计的控制器有时能够控制这些腿式毫微型机器人，但在动态机动和复杂地形上面临困难。我们提出了一种基于学习得到的神经网络模型来控制真实世界腿式毫微型机器人的方法。使用不到17分钟的数据，我们的方法可以学习到机器人动力学的预测模型，从而能够针对给定地形上用户指定的路点实时合成有效的步态。此外，通过利用表达力强、高容量的神经网络模型，我们的方法允许这些预测直接以相机图像为条件，赋予机器人预测不同地形可能如何影响其动力学的能力。这使得动态腿式毫微型机器人在包括碎石、草皮、地毯和泡沫塑料在内的各种地形上实现样本高效且有效的运动学习。实验视频可在 https://sites.google.com/view/imageconddyn 查看。
引用
@article{arxiv.1711.05253,
title = {Learning Image-Conditioned Dynamics Models for Control of Under-actuated Legged Millirobots},
author = {Anusha Nagabandi and Guangzhao Yang and Thomas Asmar and Ravi Pandya and Gregory Kahn and Sergey Levine and Ronald S. Fearing},
journal= {arXiv preprint arXiv:1711.05253},
year = {2018}
}