MeMo：通过噪声注入获取有意义且模块化的控制器

机器人常由标准化组件构建（如机械臂、腿部或手指），但每个机器人都需要从头训练以控制所有执行器的组合。本文演示了一种新方法，该方法接受单个机器人及其控制器作为输入，生成用于控制这些组件的模块化控制器集合。当从相同部件构建新机器人时，其控制可以快速通过重用模块化控制器来学习。我们通过称为MeMo的框架实现了这一目标，该框架学习（Me）aningful（Mo）dular控制器。具体而言，我们提出了一种新的模块化目标，用于学习各模块之间的合理分工。我们演示了该目标可以通过噪声注入同时优化标准行为克隆损失。我们在 locomotion 和抓取环境中对该框架进行基准测试，从简单到复杂的机器人形态迁移。我们还显示，模块化控制器有助于任务迁移。在结构和任务迁移方面，MeMo相较于图神经网络和Transformer基线实现了更高的训练效率。