QuietPaw: 学习四足运动与通用噪声偏好对齐
机器人学
2025-03-10 v1 机器学习
摘要
四足机器人在全功率运行时会产生响亮的脚步声，这在家庭、办公室和医院等以人为中心的环境中可能造成干扰。因此，在四足机器人的实际部署中，平衡运动性能与噪声约束至关重要。然而，实现自适应噪声控制面临挑战，原因包括：(a) 敏捷性与噪声最小化之间的权衡，(b) 需要在多样化部署条件下泛化，以及(c) 基于噪声需求有效调整策略的困难。我们提出了QuietPaw，一个包含条件噪声约束策略（CNCP）的框架，这是一种约束学习算法，通过将策略行为条件化于噪声降低级别来实现灵活的噪声感知运动。我们利用评论家中的价值表示分解，将状态表示与条件依赖表示解耦，从而使单一通用策略无需重新训练即可跨噪声级别泛化，同时改善敏捷性与噪声降低之间的Pareto权衡。我们在仿真和真实环境中验证了该方法，证明CNCP可以有效平衡运动性能与噪声约束，实现连续可调的噪声降低。
引用
@article{arxiv.2503.05035,
title = {QuietPaw: Learning Quadrupedal Locomotion with Versatile Noise Preference Alignment},
author = {Yuyou Zhang and Yihang Yao and Shiqi Liu and Yaru Niu and Changyi Lin and Yuxiang Yang and Wenhao Yu and Tingnan Zhang and Jie Tan and Ding Zhao},
journal= {arXiv preprint arXiv:2503.05035},
year = {2025}
}