高维肌肉生物系统的运动控制：基于分层模型的规划

控制高维非线性系统—such as those found in biological and robotic applications——具有挑战性 due to large state and action spaces。虽然深度强化学习在这些领域取得了许多成功，但计算密集且耗时，因此不适用于解决需要显著人工调优的大量任务。本文我们引入了Model Predictive Control with Morphology-aware Proportional Control(MPC^2)，这是一种用于零样本和近实时控制高维复杂dynamical systems的分层模型学习算法。MPC^2使用基于抽样的模型预测控制器进行目标姿态规划，incorporates a morphology-aware proportional controller for actuator coordination，以实现对高维任务的稳健控制。该算法实现了对高维人类肌肉生物模型的运动控制，涵盖站立、不同 terrain 上的行走以及模仿运动项目等various motion tasks。MPC^2的奖励函数可通过黑箱优化进行调优，大大减少了对人工密集型奖励工程的需求。