基于深度神经网络与CPG控制的软体蛇形机器人运动学习
机器人学
2020-03-04 v2 神经与进化计算
动力系统
摘要
本文提出一种用于软体蛇形机器人的新型运动控制方法。受生物蛇启发，我们的控制架构由两个关键模块组成：深度强化学习（RL）模块，用于实现随目标变化而自适应的目标跟踪行为；以及基于Matsuoka振荡器的中枢模式发生器（CPG）系统，用于生成稳定且多样的运动模式。两个模块互联成闭环系统：RL模块类比于脊椎动物中脑中的运动区，根据机器人状态反馈调节至CPG系统的输入。CPG系统的输出随后被转换为软体蛇形机器人气动执行器的压力输入。基于Matsuoka振荡器在不同时间尺度下可独立控制振荡频率与波幅的事实，我们进一步适配option-critic框架以提升以最优性与数据效率衡量的学习性能。所提控制器的性能在仿真与真实软体蛇形机器人上均得到实验验证。
引用
@article{arxiv.2001.04059,
title = {Learning to Locomote with Deep Neural-Network and CPG-based Control in a Soft Snake Robot},
author = {Xuan Liu and Renato Gasoto and Cagdas Onal and Jie Fu},
journal= {arXiv preprint arXiv:2001.04059},
year = {2020}
}
备注
8 pages, 10 figures, 2 tables, submitted to IROS 2020