通过最小近距感知学习离散地形上的运动

基于学习的控制已经彻底改变了动态运动，但在非结构化地形上的导航仍然受到机器人对即将发生的地面接触的不完全感知的限制。虽然诸如激光雷达和深度相机之类的全局感知系统提供了环境背景，但它们经常受到延迟、遮挡和高计算成本的密集几何重建的困扰。另一方面，本体感觉反馈纯粹是反应性的，只有在冲击发生后才启动修正。这项工作探索了将一套最少的低成本、高频红外接近传感器直接嵌入四足机器人的脚部。这些传感器提供“预接触”反馈，该反馈对自遮挡具有鲁棒性，并且比传统的基于视觉的流程计算需求低得多。通过将这些局部信号集成到强化学习框架中，我们使机器人能够预测地形不连续性，例如间隙和踏脚石，这些对于传统感知栈来说由于遮挡或状态估计漂移而难以处理。我们证明了这种稀疏的近场感知可以在模拟中可靠地建模，并以高保真度迁移到现实世界。实验结果表明，局部接近感知显著提高了离散地形上的穿越鲁棒性，并在不可预测的环境中为复杂的全局感知套件提供了一种低功耗、低延迟的替代或补充方案。有关结果和方法的更多信息，请参阅项目网站：https://sites.google.com/view/foot-tof/home。