在学习的潜在动作空间中规划以实现可泛化腿式运动
机器人学
2021-03-19 v5
摘要
分层学习已成功以高样本效率在步行机器人上学习可泛化运动技能。然而,用于层次两层之间通信的低维“潜在”动作通常是用户设计的。在本工作中,我们提出一个全学习的分层框架,能够联合学习底层控制器与高层潜在动作空间。一旦该潜在空间被学习,我们便以模型预测控制方式、利用学习到的高层动力学模型在连续潜在动作上规划。该框架可泛化至多个机器人,我们给出了 Daisy 六足仿真、A1 四足仿真与 Daisy 机器人硬件上的结果。我们比较了文献中一系列学习的分层方法,并显示我们的框架在多项任务与两个仿真上优于基线。除学习方法外,我们还与作用于期望机器人运动的逆运动学(IK)比较,显示我们的全学习框架在 A1 与 Daisy 仿真的恶劣设定下优于 IK。在硬件上,我们展示 Daisy 六足仅用 2000 个硬件样本即在非结构化户外环境中完成多项运动任务,印证了我们方法的鲁棒性与样本效率。
引用
@article{arxiv.2008.11867,
title = {Planning in Learned Latent Action Spaces for Generalizable Legged Locomotion},
author = {Tianyu Li and Roberto Calandra and Deepak Pathak and Yuandong Tian and Franziska Meier and Akshara Rai},
journal= {arXiv preprint arXiv:2008.11867},
year = {2021}
}
备注
Accepted by RAL