通过运动学运动基元实现习得四足机器人运动行为
机器人学
2019-02-27 v2 机器学习
摘要
人类和动物被认为使用极少量的轨迹来执行包括行走在内的广泛任务。本文的主要目标有两个：1）通过深度强化学习（D-RL）习得的轨迹，获得一种用于实现四足行走基本运动模式的有效工具，称为运动学运动基元（kMPs）；2）在我们定制的四足机器人“Stoch”中，从这些运动学运动基元实现一组行为，即小跑、行走、疾驰和跳跃。D-RL是一种数据驱动方法，已被证明在仿真和实验中都能非常有效地实现各种鲁棒的运动行为。另一方面，kMPs已知能够捕捉行走的底层结构并产生一组衍生行为。我们首先利用基于策略梯度的方法从D-RL生成行走步态。然后我们使用主成分分析（PCA）对所得行走进行分析。我们观察到，从PCA提取的kMPs无论生成的步态类型如何都遵循相似的模式。利用这一底层结构，我们随后通过从kMPs直接重构关节轨迹在Stoch上实现行走。这类方法提高了这些步态向真实硬件的可迁移性，降低了机载计算开销，并且通过从单一习得步态生成一组衍生行为避免了多次训练迭代。
引用
@article{arxiv.1810.03842,
title = {Realizing Learned Quadruped Locomotion Behaviors through Kinematic Motion Primitives},
author = {Abhik Singla and Shounak Bhattacharya and Dhaivat Dholakiya and Shalabh Bhatnagar and Ashitava Ghosal and Bharadwaj Amrutur and Shishir Kolathaya},
journal= {arXiv preprint arXiv:1810.03842},
year = {2019}
}
备注
Accepted by ICRA 2019. Supplementary Video: https://youtu.be/kiLKSqI4KhE