面向腿式机器人降阶模型的强化学习
机器人学
2023-10-17 v1
摘要
基于模型的双足运动规划与控制方法有着长久的成功历史。它能在有效完成诸多运动任务的同时提供稳定性与安全性保障。另一方面，无模型强化学习因计算能力的进步近年来广受欢迎。它能在特定任务中达到高性能，但缺乏物理可解释性，且在将策略重新用于不同任务集时缺乏灵活性。例如，我们可初始训练一个以速度指令为输入的神经网络（NN）策略。然而，为处理如期望步行速度下的手部或脚步位置等新任务指令，我们必须重新训练新的 NN 策略。本工作中，我们试图在双足平台上弥合这两类研究之间的差距。我们构建了一个基于模型的强化学习问题，以在模型预测控制（MPC）中学习降阶模型（ROM）。结果显示可行任务区域大小提升 49%，电机转矩代价降低 21%。所有视频与代码见 https://sites.google.com/view/ymchen/research/rl-for-roms。
引用
@article{arxiv.2310.09873,
title = {Reinforcement Learning for Reduced-order Models of Legged Robots},
author = {Yu-Ming Chen and Hien Bui and Michael Posa},
journal= {arXiv preprint arXiv:2310.09873},
year = {2023}
}