MTAC：基于分层强化学习的多步态地形自适应四足机器人控制器
机器人学
2024-01-09 v1 人工智能
摘要
城市搜救任务需要快速的第一响应以最大限度地减少生命损失和损害。此类工作通常由人道主义机器人协助，这些机器人需要应对动态的操作条件，如崎岖不平的地形，特别是在地震等大规模伤亡事件中。四足机器人凭借其多功能设计，有潜力在此类场景中提供协助。然而，由于这些机器人具有多个自由度，在动态和崎岖地形环境中控制四足机器人是一个极具挑战性的问题。当前的四足机器人运动控制器在产生多种自适应步态、以时间和资源高效的方式解决任务方面能力有限，并且需要繁琐的训练和手动调整过程。为了解决这些挑战，我们提出了 MTAC：一种多步态地形自适应控制器，它利用分层强化学习（HRL）方法，同时在时间和内存上具有高效性。我们表明，所提出的方法能很好地扩展到各种环境，其计算时间与最先进的方法相当。我们的方法在大多数任务上表现出超过 75% 的成功率，在大多数测试用例中优于先前的工作。
引用
@article{arxiv.2401.03337,
title = {MTAC: Hierarchical Reinforcement Learning-based Multi-gait Terrain-adaptive Quadruped Controller},
author = {Nishaant Shah and Kshitij Tiwari and Aniket Bera},
journal= {arXiv preprint arXiv:2401.03337},
year = {2024}
}
备注
Submitted to ICRA2024