类人机器人的全身运动技能学习
机器人学
2020-02-11 v1 机器学习
机器学习
摘要
本文提出一种用于深度强化学习的分层框架，其获取多种推恢复与平衡行为的运动技能，即踝、髋、脚倾斜以及迈步策略。策略在物理仿真器中训练，具有真实的机器人模型与低层阻抗控制设置，便于将所学技能迁移至真实机器人。相较于传统方法的优势在于将高层规划器与反馈控制集成于单一连贯的策略网络中，该网络可泛化地学习针对任意位置（如腿、躯干）未知扰动的多样平衡与恢复运动。此外，所提框架允许用许多最先进学习算法快速学习策略。通过将我们学到的结果与文献中预编程专用控制器的研究比较，自学习技能在抗扰方面相当，但具有产生广泛自适应、多样且鲁棒行为的额外优势。
引用
@article{arxiv.2002.02991,
title = {Learning Whole-body Motor Skills for Humanoids},
author = {Chuanyu Yang and Kai Yuan and Wolfgang Merkt and Taku Komura and Sethu Vijayakumar and Zhibin Li},
journal= {arXiv preprint arXiv:2002.02991},
year = {2020}
}
备注
2018 IEEE-RAS 18th International Conference on Humanoid Robots (Humanoids)